安装有CycleGAN辅助图像翻译的深紫外激发光显微镜可以提高淋巴结转移的精确检测,从而实现快速的手术内诊断
Junya Sato1,2,3, Tatsuya Matsumoto4, Ryuta Nakao4
1Graduate School of Information Science and Technology, Osaka University, 1-5, Yamadaoka, Suita, Osaka, 565-0871, Japan.
Scientific reports
|December 4, 2023
概括
这项研究介绍了一种使用CycleGAN的AI管道,用于将紫外线表面激发 (MUSE) 显微镜图像转换为甲固定嵌入式 (FFPE) 格式. 这使得准确的手术内淋巴结转移检测,改善手术诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 病理学 病理学 病理学
背景情况:
- 术内诊断对于手术结果至关重要,但目前的方法,如冷切口,耗时且有质量问题.
- 紫外线表面激发显微镜 (MUSE) 提供了快速,高质量的成像,无需切割,但其未固定的标本很难用于人工智能训练.
- 人工智能诊断的监督学习受到无法标记未固定组织的MUSE图像的阻碍.
研究的目的:
- 开发一个深度学习管道,用于准确的手术内淋巴结转移检测.
- 通过将MUSE图像转换成适合现有诊断模型的格式来克服训练人工智能的挑战.
- 通过人工智能驱动的数据增强,增强新型手术内成像模式的实用性.
主要方法:
- 提出了一个深度学习管道,集成CycleGAN用于图像模式翻译.
- 使用CycleGAN将未固定淋巴结的超紫外表面刺激 (MUSE) 显微镜图像转换为固定甲嵌入式 (FFPE) 等效.
- 深层卷积神经网络 (CNN) 在翻译的FFPE图像上进行了训练,以检测淋巴结转移.
主要成果:
- 拟议的管道在三个不同的CNN中实现了84.6%的平均准确率.
- 与没有CycleGAN转换的仅分类模型相比,这代表了18.3%的显著改进.
- 循环GAN翻译有效地使MUSE图像的诊断预测成为可能.
结论:
- 开发的管道成功实现了使用MUSE成像将其翻译成FFPE格式的AI驱动的手术内诊断.
- 这种方法解决了标记新成像模式的挑战,促进AI培训和临床应用.
- 该研究为快速,准确的手术内诊断系统提供了基础,有可能提高医疗保健质量.
