HoLy-Net:分散的大B细胞淋巴瘤组织学图像的细分
Hussein Naji1, Lucas Sancere1, Adrian Simon2
1Institute for Biomedical Informatics, Faculty of Medicine and University Hospital Cologne, University of Cologne, Germany; Center for Molecular Medicine Cologne (CMMC), Faculty of Medicine and University Hospital Cologne, University of Cologne, Germany.
Computers in biology and medicine
|January 18, 2024
概括
这项研究介绍了HoLy-Net,这是一种深度学习模型,用于在组织学图像中对分散型大B细胞淋巴瘤 (DLBCL) 进行细分. 该方法在H&E和IHC幻灯片上实现了高精度,使得淋巴瘤的新定量分析成为可能.
科学领域:
- 数字病理学数字病理学
- 计算瘤学是一种计算瘤学.
- 生物医学图像分析
背景情况:
- 组织学整体幻灯片图像 (WSIs) 的自动细分和分类已经在固体癌症方面取得了重大进展.
- 然而,用于细分淋巴瘤的方法和数据集,特别是扩散性大B细胞淋巴瘤 (DLBCL),很少.
- 免疫组织化学 (IHC) 染色对于癌症诊断至关重要,但对IHC染色WSIs的自动细分仍然有限.
研究的目的:
- 开发一种自动化的深度学习解决方案,用于在H&E和IHC染色的WSIs中对DLBCL进行细分.
- 为了应对这些特定类型的染色图像中核细分的挑战.
- 为淋巴瘤核细分和分类提供新的数据集.
主要方法:
- 提出了HoLy-Net,这是一个基于HoVer-Net的深度学习模型,适用于淋巴瘤细分.
- 训练有素的单独模型用于H&E和IHC染色图像.
- 开发了LyNSeC数据集,其中包括H&E的73,000多个注释核和IHC的87,000个幻灯片.
主要成果:
- 在H&E染色方面,HoLy-Net获得了0.899的F1得分,超过了通用方法.
- 实现了IHC染色的F1得分0.913,代表了一个独特的自动化解决方案.
- 启用单细胞水平分析,以识别患者特定的瘤特征,如免疫透.
结论:
- HoLy-Net提供了一种有效的自动化方法,用于在H&E和IHC染色的WSIs中对DLBCL进行细分.
- 该LyNSeC数据集支持进一步研究淋巴瘤形态学和微环境分析.
- 这项工作扩大了以前通过自动化方法服务不足的淋巴瘤的定量研究可能性.
