在结肠直肠癌中适应SAM对组织病理学图像用于瘤芽细分
Ziyu Su1, Wei Chen2, Sony Annem3
1Center for Artificial Intelligence Research, Wake Forest University School of Medicine, Winston-Salem, NC, USA.
概括
这项研究引入了一种有效的方法,用于检测结直肠癌图像中的瘤芽,使用适应的SegmentAnything模型. 该方法在匹配病理学家注释中显示出有希望的结果,以改善癌症分期.
科学领域:
- 数字病理学数字病理学
- 人工智能在瘤学中的应用
- 癌症图像分析 癌症图像分析
背景情况:
- 结肠直肠癌 (CRC) 是美国癌症死亡的主要原因.
- 精确的瘤芽 (TB) 检测对于CRC分期至关重要,但需要大量的劳动力.
- 需要在组织病理学图像中对结核病的自动细分.
研究的目的:
- 调整细分任何模型 (SAM) 以在结直肠癌组织病理学图像中高效准确的瘤芽细分.
- 为了评估适应的SAM模型与从头开始训练的模型的性能.
主要方法:
- 使用SAM-Adapter来对CRC图像上的SAM进行参数高效的微调.
- 采用了针对特定任务的自动提示来进行细分.
- 将模型预测与病理学家注释进行比较.
主要成果:
- 在欧元 (IoU) 上实现了0.65.5的交叉点.
- 获得了0.75.5的实例级子得分.
- 证明了与病理学家注释相比较的性能.
结论:
- 适应的SAM模型为H&E染色基因病理图像中瘤芽识别提供了一种新且高效的解决方案.
- 基础模型适应对于病理图像细分任务是有价值的.
- 这种方法有助于提高CRC分期的准确性和效率.
