你确定这是一个文物吗? 在组织学图像中检测文物和量化不确定性
Neel Kanwal1, Miguel López-Pérez2, Umay Kiraz3
1Department of Electrical Engineering and Computer Science, University of Stavanger, 4021 Stavanger, Norway.
概括
这项研究引入了一种不确定性意识的深核学习模型,用于检测整个幻灯片图像 (WSI) 中的模糊和折叠组织等工件. 新模型提高了文物检测的准确性,并为计算病理系统提供可靠的不确定性估计.
科学领域:
- 计算病理学计算病理学
- 数字病理学数字病理学
- 机器学习在组织病理学中的应用.
背景情况:
- 整体幻灯片图像 (WSI) 对于癌症诊断至关重要,但可以包含来自体质技术程序的工件.
- 在WSIs中的组织学文物可能会对计算病理学 (CPATH) 系统产生负面影响.
- 目前用于文物检测的深度卷积神经网络 (DCNNs) 缺乏不确定性估计.
研究的目的:
- 开发一种不确定性意识的深核学习 (DKL) 模型,用于检测WSI中的模糊区域和折叠组织.
- 提高数字病理学中文物检测的性能和可靠性.
- 为预测文物检测提供不确定性估计.
主要方法:
- 提出了一个概率模型,将CNN特征提取器与稀疏的高斯过程 (GPs) 分类器相结合.
- 开发了一个不确定性意识的深度内核学习 (DKL) 方法.
- 通过独立队列的未见数据验证了模型,这些队列具有不同的染色和组织类型.
主要成果:
- 获得了高F1分数:0.996用于模糊检测和0.938用于未见数据上的折叠组织检测.
- 在文物检测准确性方面,DKL模型在现有的DCNN中表现优于DKL模型.
- 该模型显示,对正确预测的信心增加,对错误预测的信心减少.
结论:
- 拟议的不确定性意识的DKL模型增强了WSIs中的文物检测.
- DKL提供可靠的不确定性估计,性能优于标准DCNNs.
- 该模型可以集成到CPATH管道中,以进行质量控制和可靠的预测.
