工件增强用于基于学习的全幻灯片图像质量控制

科学领域:

• 数字病理学数字病理学
• 组织病理学图像分析图像分析
• 人工智能在医学中的应用

背景情况:

• 整个幻灯片图像的获取经常产生文物,需要手动审查和重新扫描.
• 目前用于组织病理学图像的质量控制方法受到数据稀缺性和复杂性的限制.
• 数字化组织病理学幻灯片中的人工物可以显著损害下游人工智能驱动的分析,影响诊断的准确性.

研究的目的:

• 开发一种新的工具,用现实的文物来增强组织病理学数据集.
• 改进文物检测网络的培训,以便对整个幻灯片图像进行自动化质量控制.
• 通过提高图像质量,提高基于人工智能的数字病理学分析的可靠性.

主要方法:

• 开发了一个工具,可以无生成和将外部图书馆的文物混合到组织病理学数据集中.
• 增强数据集被用来监督训练一个文物检测网络.
• 具有修改训练管道的YOLOv5模型用于文物检测.

主要成果:

• 拟议的方法成功地用混合文物增强了他的病理学数据集.
• 训练有素的文物检测网络在识别整个幻灯片图像中的文物方面表现出了有效性.
• 该方法为在组织病理学质量控制的背景下数据增强提供了可行的解决方案.

结论:

• 开发的文物增强工具可以显著提高人工智能模型的训练,以控制整个幻灯片图像的质量.
• 这种方法解决了在组织病理学文物检测中有限的数据可用性的挑战.
• 该工具有可能被整合到一个全面的框架中,用于实时评估整个幻灯片图像的质量,这对于人工智能驱动的诊断至关重要.