提高基于深度学习的核心实例细分的泛化能力,通过非决定性的列车时间和决定性的测试时间进行染色规范化
相关实验视频
Updated: Jul 4, 2025
10:25
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
Published on: November 11, 2022
8.8K
Amirreza Mahbod1, Georg Dorffner2, Isabella Ellinger3
1Research Center for Medical Image Analysis and Artificial Intelligence, Department of Medicine, Danube Private University, Krems an der Donau, Austria.
Computational and structural biotechnology journal
|January 31, 2024
概括
这项研究引入了一种新的深度学习方法,以增强数字病理学图像中的核实例细分. 该方法提高了数据集的概括性,在准确性方面超过了基线模型.
科学领域:
- 数字病理学数字病理学
- 计算生物学 计算生物学
- 医学图像分析 医学图像分析
背景情况:
- 数字病理学可实现全幻灯片自动成像,推动对计算机化图像分析的需求.
- 核实例细分对于临床和研究应用在组织病理学中至关重要.
- 深度学习 (DL) 模型在核心细分方面表现出色,但在对新数据集的概括方面存在困难.
研究的目的:
- 开发一种新的方法,增强基于DL的核实例细分的概括能力.
- 提高DL模型的稳定性,当应用到未见的组织病理学数据集时.
主要方法:
- 使用最先进的DL模型作为基线.
- 集成的非决定性,火车时间污点规范化.
- 实施了决定性,测试时间污点正常化.
- 采用组合技术来提高细分性能.
- 在单个数据集上训练模型,并在七个不同的测试数据集上进行评估.
主要成果:
- 与基线模型相比,拟议的方法显示出更高的性能.
- 在子得分方面取得了高达4.9%的改善.
- 在聚合的雅卡德指数中显示了高达5.4%的改善.
- 在全光学质量评分中报告了高达5.9%的改善.
结论:
- 这种新方法显著提高了基于DL的核细分的概括性.
- 污点规范化和组合是提高模型稳定性的有效策略.
- 该方法在数字病理学中为核实例细分提供了更高的准确性.
