淋巴瘤在组织学中的识别 胃粘膜活检的图像与学习原型

科学领域:

• 计算病理学计算病理学
• 人工智能在瘤学中的应用
• 用于医学成像的深度学习

背景情况:

• 精确区分淋巴瘤与其他固体瘤在临床实践中至关重要.
• 图形卷积网络 (GCNs) 在病理图像分析中表现有前途,因为它们能够捕捉微环境拓.
• 现有的GCN模型很难使用标准软max分类来区分淋巴瘤和形态上相似的固体瘤.

研究的目的:

• 开发一个先进的深度学习框架,图形卷积原型网络 (GCPNet),以改进淋巴瘤识别.
• 增强特征表示的区分能力,用于分类淋巴瘤,腺癌和炎症.
• 解决传统GCN在分辨具有形态相似性的具有挑战性的病例方面的局限性.

主要方法:

• 补丁到幻灯片架构用于层次分类,将补丁级预测集成到图像级结果中.
• 开发了一个新的图形卷积原型网络 (GCPNet),将GCN特征提取器与基于原型的分类层相结合.
• 引入了动态原型丢失函数和原型重新分配操作,以优化模型训练和防止局部最小值.

主要成果:

• 拟议的GCPNet在一个由183张胃粘膜活检全幻灯片图像 (WSI) 组成的数据集上,与现有方法相比,表现优越.
• 该模型有效地生成了强大的特征表示,能够区分淋巴瘤,腺癌和炎症.
• 补丁到幻灯片的方法与原型学习相结合,显著提高了分类准确性.

结论:

• 开发的GCPNet提供了一个强大的深度学习解决方案,用于在胃粘膜活检中识别淋巴瘤.
• 该框架为区分恶性淋巴瘤与良性疾病和其他癌症提供了临床相关的工具.
• 该研究强调了原型学习与GCN结合用于复杂的基因病理图像分析的潜力.