基于细粒度分类指南的半监督乳腺癌病理图像细分
Kai Sun1, Yuanjie Zheng2, Xinbo Yang1
1School of Information Science and Engineering, Shandong Normal University, Jinan, 250014, Shandong, China.
Medical & biological engineering & computing
|December 12, 2023
概括
本研究介绍了乳腺癌病理图像细分 (BCPIS) 的半监督学习模型. 这种新的方法提高了对有限的标记数据的细分精度,实现了71.53%的IOU.
科学领域:
- 医疗图像分析 医学图像分析
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
背景情况:
- 乳腺癌病理图像细分 (BCPIS) 对于瘤量化和治疗指导至关重要.
- 细粒度的语义细分是具有挑战性的,因为复杂的组织形态和有限的,昂贵的手动注释.
- 现有的方法难以处理小,低质量的数据集,影响细分性能.
研究的目的:
- 为准确的BCPIS开发一个半监督学习模型.
- 为了应对有限的标记数据和复杂的图像特征的挑战.
- 通过使用以分类为指导的策略来提高细分性能.
主要方法:
- 提出了一种半监督学习模型,整合了以分类为指导的细分.
- 使用多尺度卷积网络进行特征提取.
- 采用多专家跨层联合学习策略,使用伪标签和数据增强.
主要成果:
- 半监督模式实现了71.53%的IOU,显示出了显著的进步.
- 该模型显示比其他半监督方法的性能优势为3%.
- 观察到分类和细分任务之间存在很强的相关性,增强了细分.
结论:
- 拟议的半监督模型有效地解决了BCPIS数据集的局限性.
- 分类指南显著改善了细粒度的半监督语义细分.
- 这种方法为自动化乳腺癌图像分析提供了一个有希望的方向.
