不知情的教师-学生在弱监督的线粒分裂局部化中进行硬样品蒸

科学领域:

• 计算病理学计算病理学
• 医疗图像分析 医学图像分析
• 机器学习用于癌症诊断和癌症诊断

背景情况:

• 手动计数线粒分裂是癌症诊断和预后的关键但具有挑战性的生物标志物.
• 目前用于检测线粒分裂的深度学习方法因需要精确的中心点标签而受到限制,并且受到硬负面的噪声的影响.
• 现有的方法通常需要复杂的多阶段算法来改进像素级标签并减少假阳性.

研究的目的:

• 提出一种新的弱监督方法,用于在H&E图像上仅使用图像级标签检测线粒分裂.
• 引入一个不知情的教师-学生 (UTS) 管道,通过比较本地化和注释的中心体来检测和蒸硬样本.
• 开发一个自动增殖得分,模仿病理学家注释的线粒活动指数 (MAI).

主要方法:

• 一个弱监督的深度学习框架,使用图像级标签来检测线粒分裂.
• 一个不知情的教师-学生 (UTS) 管道使用强大的增强来增强不确定性和提炼硬样本.
• 在多个公共数据集上进行评估,以检测乳腺分裂和计数乳腺组织学中的乳腺活动.

主要成果:

• 拟议的框架在培训期间实现了竞争性表现,而没有明确的线粒分裂位置信息.
• 在UTS管道中显示了特定数据集的改进,在不太精细的注释的情况下,增强了高达4%的线粒分裂局部化.
• 自动扩散得分显示了与病理学家在外部数据集上的注释MAI的中度正相关性.

结论:

• 监督较弱的不知情教师-学生管道有效地利用强大的增强来提炼不确定的样本.
• 该方法证明了使用图像级标签用于线粒分裂检测和计数的可行性.
• 该方法显示了作为评估数字病理学中瘤扩散的客观工具的潜力.