深射线基础功能网络,分类用于检测乳腺组织病理学图像中的线粒分裂

科学领域:

• 计算病理学计算病理学
• 数字组织病理学 数字组织病理学
• 机器学习用于癌症研究.

背景情况:

• 自动线粒分裂检测对于癌症诊断和分级至关重要.
• 挑战包括线粒细胞的高类内多样性和与仿真体的形态重叠.
• 现有的方法在使用弱标签时难以准确检测.

研究的目的:

• 开发一种新的弱监督的线粒分裂检测模型,用于组织病理学幻灯片.
• 为了应对阶级内部多样性和模仿身份的挑战.
• 为了达到最先进的性能,只使用弱标签.

主要方法:

• 一个两个阶段的模型,包括一个候选提案网络和一个验证网络.
• 候选提案网络使用补丁学习来识别潜在的线粒细胞和模仿.
• 验证网络采用基于RBF的分类方案来改进,使用联合分类和集群.

主要成果:

• 拟议的模型有效地将线粒细胞及其模拟物从背景中分离出来.
• 基于RBF的分类方案改善了局部特征空间内的线粒体图的表征.
• 在缺乏监督的情况下,在公开的甲状腺分裂数据集上取得了最先进的结果.

结论:

• 新的弱监督的线粒分裂检测模型显著提高了准确性.
• 基于RBF的分类方案在处理类内变化和区分模仿时是有效的.
• 这种方法为数字病理学中自动化线粒分裂检测提供了一个有希望的解决方案.