一个弱监督的细分网络,嵌入跨度注意力指导和对噪声敏感的约束,用于检测胰腺瘤的三级淋巴体结构

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 计算病理学计算病理学

背景情况:

• 胰腺瘤中的三级淋巴体结构 (TLS) 是关键的预后指标.
• 准确的TLS检测对于胰腺癌的诊断和治疗至关重要.
• 完全监督的深度学习方法需要大量的手册注释,这是一项挑战.

研究的目的:

• 开发一种短暂的学习方法,用于检测胰腺病理图像中的TLS.
• 克服用于TLS检测的深度学习模型中手动注释的局限性.

主要方法:

• 为TLS检测提出了一个弱监督的细分网络.
• 使用核细分和域对抗网络生成淋巴细胞密度图.
• 实施了跨度注意力机制,整合了图像和密度图的功能.
• 使用嵌入式签名距离功能损失来提高噪音灵敏度和减少错误.

主要成果:

• 拟议的方法在TLS检测准确度方面明显优于现有的最先进的细分算法.
• 在两个独立的数据集上表现出卓越的性能.
• 成功地应用了该方法来分析TLS密度和周围胰腺血管入侵之间的关系,从而产生了临床见解.

结论:

• 开发的几次射击,弱监督的网络为胰腺病理中TLS检测提供了高效和准确的解决方案.
• 这种方法减少了对手工注释的依赖,使得TLS分析更容易获得.
• 这些发现提供了关于TLS密度及其在胰腺癌中的临床相关性的有价值的统计结果.