通过使用放射性特征在整个幻灯片图像上细分核的变体
Taimoor Shakeel Sheikh1, Migyung Cho1
1AIMI-Artificial Intelligence and Medical Imaging Laboratory, Department of Computer & Media Engineering, Tongmyong University, Busan 48520, Republic of Korea.
Bioengineering (Basel, Switzerland)
|March 27, 2024
概括
这项研究引入了一种新的框架,使用放射学来准确地进行基因病理核细分. 该方法通过改善医疗图像中不同核类型的识别来提高诊断准确度.
科学领域:
- 数字病理学数字病理学
- 计算生物学是一种计算生物学.
- 医疗图像分析 医学图像分析
背景情况:
- 组织病理核细分是复杂的,因为形态,纹理和染色的变化.
- 准确的细分对于有效的患者评估和诊断工作流程至关重要.
研究的目的:
- 开发和验证一个框架,从不同的器官分离各种核类型.
- 使用放射性特征和机器学习分类器来增强细分性能.
主要方法:
- 提取和分析量化放射性特征用于核特性.
- 使用LASSO操作员来选择最佳的子特征来训练分类器.
- 采用对分类器输出进行训练的细分模型来学习核变体.
- 在MoNuSAC2020数据集和来自不同机构的整个幻灯片图像上进行验证.
主要成果:
- 在各种核类型中实现了最先进的细分性能,克服了复杂性和重叠区域等挑战.
- 框架在不同器官和整个幻灯片图像中表现出一致和普遍的适应性.
- 以放射学为基础的方法显著提高了对基因病理图像的细分精度.
结论:
- 拟议的放射学驱动框架为准确的基因病理核细分提供了强大的解决方案.
- 该方法在改善数字病理学诊断工作流程方面表现有前途.
- 该框架的适应性使其适合在各种生物样本中分析核特征.
