注册的多设备/染色组织学图像数据集,用于域异性的机器学习模型
Mieko Ochi1, Daisuke Komura2, Takumi Onoyama1,3
1Department of Preventive Medicine, Graduate School of Medicine, The University of Tokyo, 7-3-1 Hongo, Bunkyo-ku, Tokyo, 113-0033, Japan.
Scientific data
|April 3, 2024
概括
一个新的数据集,扫描仪和手机的病理学图像 (PLISM),解决了由各种染色和成像设备引起的组织病理学图像中的偏差. 本资源有助于开发更强大的机器学习模型,用于数字病理学.
科学领域:
- 数字病理学数字病理学
- 计算病理学计算病理学
- 医疗成像医学成像
背景情况:
- 组织病理学图像的颜色和纹理变化源于不同机构的染色协议和成像设备的不同.
- 这些领域的转变会对数字病理学中的机器学习模型的稳定性和通用性产生负面影响.
- 开发减轻这些领域转移的方法对于可靠的组织病理数据自动分析至关重要.
研究的目的:
- 介绍扫描仪和手机病理学图像 (PLISM) 数据集,这是一个全面的资源,用于评估在病理学领域的转移.
- 为了能够精确地评估各种染色条件和成像设备的颜色和纹理变化.
- 促进开发和验证强大的机器学习模型,用于本病学图像分析.
主要方法:
- 策划了PLISM数据集,包括46种人类组织类型,13种血素和色素染色条件和13种成像设备.
- 精确对齐的图像补丁被生成,以允许对不同领域的颜色和纹理属性的定量评估.
- 在PLISM数据集上预先训练的卷积神经网络被用来评估处理域转移的改进.
主要成果:
- 在PLISM数据集中的不同领域中观察到颜色和纹理的显著变化,特别是在整个幻灯片图像和智能手机捕捉之间.
- PLISM数据集显示出大量的多样性,反映了在基因病理学图像获取方面面临的现实挑战.
- 在PLISM上预训练一个卷积神经网络显示了域适应性和强度的改善.
结论:
- PLISM数据集是量化和解决数字病理学领域转移的宝贵资源.
- 这一数据集支持开发更有弹性的机器学习算法,能够处理异位病理学图像数据的变化.
- 普利斯姆有助于推进AI在各种临床环境中的组织病理学分析的可靠性和适用性.


