跨规模的多实例学习用于病理图像诊断
Ruining Deng1, Can Cui1, Lucas W Remedios1
1Vanderbilt University, Nashville, TN 37215, USA.
Medical image analysis
|March 1, 2024
概括
这项研究引入了一个新的跨规模多实例学习 (MIL) 算法,用于数字病理学. 它有效地整合了整个幻灯片图像 (WSIs) 的多尺度信息,以提高诊断准确性.
科学领域:
- 数字病理学数字病理学
- 计算病理学计算病理学
- 医学图像分析 医学图像分析
背景情况:
- 在数字病理学中分析高分辨率全幻灯片图像 (WSIs) 存在挑战,因为信息跨越多个尺度.
- 多实例学习 (MIL) 用于WSIs通过对图像补丁进行分类,但往往忽略了诊断至关重要的关键级别间信息.
研究的目的:
- 提出一种新的跨度MIL算法用于病态图像诊断.
- 在单个MIL网络中明确汇总跨尺度关系.
- 通过整合多层次信息来提高诊断准确性.
主要方法:
- 开发了一种新的跨尺度MIL (CS-MIL) 算法,以集成多尺度信息和跨尺度关系.
- 创建并发布了一个具有尺度特定形态特征的玩具数据集,用于可视化跨尺度注意力.
- 将CS-MIL算法应用于内部和公共病理学数据集.
主要成果:
- 拟议的CS-MIL算法有效地整合了多层次信息和跨层次关系.
- 使用创建的玩具数据集检查和可视化了差异性跨度注意力.
- 与现有方法相比,CS-MIL战略在内部和公共数据集上都表现出优异的表现.
结论:
- 新型的跨尺度MIL方法有效地利用WSIs中的跨尺度关系来改善病理诊断.
- CS-MIL算法提供了一种简单而强大的策略,用于提高数字病理学的诊断准确性.
- 该研究为该领域做出了有价值的贡献,提供了公开可用的实施和数据集.
