ProDiv:以原型驱动的一致的伪袋划分,用于全幻灯片图像分类

科学领域:

• 计算病理学计算病理学
• 数字病理学图像分析图像分析
• 机器学习在医疗保健中的应用

背景情况:

• 病理图像分类对于癌症诊断至关重要.
• 带有弱标签的全幻灯片图像 (WSI) 对传统方法构成挑战.
• 基于伪袋的多实例学习 (MIL) 是WSI分类的一个有希望的方法.

研究的目的:

• 为病理图像提出一种改进的方法,用于在MIL框架中分割伪袋.
• 通过优化伪袋生成来提高现有的MIL方法的分类性能.
• 解决随机或基于集群的伪袋分区方案的局限性.

主要方法:

• 一个由原型驱动的分部 (ProDiv) 计划被引入用于WSI伪袋的生成.
• 一种基于注意力的方法为每个幻灯片生成一个"袋子原型".
• WSI补丁实例基于与原型的特征相似性进行集群,通过将不同集群的实例结合起来,形成伪袋.

主要成果:

• 与现有的MIL方法集成的ProDiv方案在分类性能方面取得了显著的改进.
• 在两个公开的WSI数据集上,观察到AUC改善高达7.3%和10.3%.
• 通过经验结果和实验可视化验证了ProDiv的有效性.

结论:

• ProDiv 计划始终提高了 MIL 模型在病理图像分类中的性能.
• 拟议的方法为MIL框架的伪袋分区提供了一种实用和有效的方法.
• 通过改进的WSI分析,ProDiv展示了通过改进的WSI分析来推进自动化癌症诊断的潜力.