MSMTSeg:通过生成性自我监督的超级学习框架进行脏组织学图像的多层多组织细分

科学领域:

• 数字病理学数字病理学
• 人工智能在医学中的应用
• 计算生物学 计算生物学

背景情况:

• 慢性病诊断依赖于手动评估多染色组织结构,这是耗时的.
• 现有的AI细分方法需要大量的手动注释,并与多色彩变化作斗争.

研究的目的:

• 开发用于多染色脏组织学的自动细分框架.
• 解决当前人工智能方法中手动注释和单点域专注的局限性.

主要方法:

• 引入MSMTSeg,一个生成的自我监督的元学习框架.
• 集成的多色调转换模型用于风格翻译.
• 利用自我监督和元学习来实现域不变特征表示.

主要成果:

• 实现了优越的细分性能 (mDSC 0.836,mIoU 0.718) 对于具有最小注释的多染色组织 (每染色一个样本).
• 在不同的污点和组织中表现出强度.
• 优于现有的先进细分,少数拍摄和域调整方法.

结论:

• MSMTSeg为多染色脏组织学细分提供了一种可行且具有成本效益的解决方案.
• 这种跨领域的技术有助于病理学家在临床实践中.
• 减少了数字病理学工作流程中手动注释的负担.