无监督的域调整用于带有不完整标签的基因病理图像细分
Huihui Zhou1, Yan Wang1, Benyan Zhang2
1Shanghai Key Laboratory of Multidimensional Information Processing, School of Communication and Electronic Engineering, East China Normal University, Shanghai 200241, China.
Computers in biology and medicine
|March 1, 2024
概括
这项研究引入了一种新的带有不完整标签的染色适应细分网络 (SASN-IL),以改进基因病理图像中的深度学习细分. 该方法有效地纠正不完整的标签,并适应染色变化,提高细分精度.
科学领域:
- 数字病理学数字病理学
- 计算机成像成像技术
- 机器学习在医学中的应用
背景情况:
- 组织病理学图像中的污点变异对深度学习细分提出了重大挑战.
- 现有的无监督域调整方法需要大量的标记源数据,这限制了它们的适用性.
- 这篇文章讨论了一种新的情景,即使用不完全标记的源数据进行不受监督的域调整.
研究的目的:
- 提出一个带有不完整标签的污点适应细分网络 (SASN-IL),用于在组织病理学中进行强大的细分.
- 开发一种方法,克服不完整标签和染色变化的局限性.
- 改善对不同染色条件的细分模型的概括性.
主要方法:
- 一个两阶段的方法:不完整的标签纠正和无监督的域名调整.
- 不完整的标签纠正涉及到可靠的模型选择和纠正错误负的区域.
- 无监督域名适应使用由细分性能调整的自适应性染色转换模块.
主要成果:
- 在胃癌数据集上的细分精度显著提高.
- 与基线方法相比,子系数增加了10.01%.
- 与现有的最先进的方法相比,具有竞争力的表现.
结论:
- SASN-IL有效地处理在组织病理学图像细分中的不完整标签和染色变异.
- 拟议的自适应色彩转换模块增强了模型的概括性.
- 这种方法为具有有限标记数据的具有挑战性的细分任务提供了有希望的解决方案.
