在结肠直肠癌中使用生成模型进行少数射击瘤芽细分

科学领域:

• 计算病理学计算病理学
• 人工智能在组织病理学中的应用.
• 医疗图像分析 医疗图像分析

背景情况:

• 鉴定病理学中的深度学习面临的局限性是由于数据集小,标签时间长.
• 在结直肠癌 (CRC) 中精确量化瘤芽 (TB) 对于分期和预后至关重要,但由于手动注释的劳动强度和潜在偏差而受到阻碍.

研究的目的:

• 开发一种注释效率高的方法来生成大规模数据集,用于训练人工智能模型进行瘤芽检测和量化.
• 克服有限的数据和手动注释在CRC组织病理学当前深度学习方法的挑战.

主要方法:

• 采用基于数据集GAN的方法,用瘤芽口罩生成合成H&E染色结肠组织图像.
• 生成过程中使用了适度数量的未标记图像和一些注释图像.
• 使用合成生成的图像和面具训练了一个下游的UNet++细分模型.

主要成果:

• 生成的图像紧密地模仿真实结肠组织H&E染色幻灯片.
• 在生成数据上训练的UNet++模型实现了合理的瘤芽细分性能,特别是在实例级.
• 这项研究证明了使用GANs用于组织病理学数据增强的可行性.

结论:

• 数据集GAN可以产生几乎无限量的注释图像供应用于训练AI模型,解决基因病理学中的数据稀缺问题.
• 这种注释效率高的方法显示了开发强大的自动瘤芽检测和量化系统的巨大潜力.
• 这些发现为在结直肠癌研究和临床实践中改进人工智能驱动的诊断工具铺平了道路.