多个实例学习对eosinophil量化鼻腔组织病理学图像:在整个幻灯片图像上进行分层确定

科学领域:

• 数字病理学数字病理学
• 计算生物学是一种计算生物学.
• 医疗图像分析 医学图像分析

背景情况:

• 在组织病理学中精确量化氨基基细胞对于诊断炎症状况至关重要.
• 手动氨酸细胞计数是耗时的,主观的,容易出错的.
• 现有的自动化方法在细胞分布和组织异质性的变化方面扎.

研究的目的:

• 开发和验证一种新的等级框架,用于在整个幻灯片图像中自动化定量化乙素.
• 为了利用多个实例学习 (MIL) 进行稳健的检测和定量埃索诺菲尔.
• 为了提高在鼻腔组织中的组织病理图像分析的准确性和效率.

主要方法:

• 一个分层框架,结合了无监督的候选图像选择和弱监督的补丁图像检测.
• 多重实例学习 (MIL) 的应用,用于补丁级别的乙氨基酸细胞检测.
• 使用整个幻灯片图像 (WSIs) 的鼻腔组织样本.

主要成果:

• 拟议的框架有效地估计了组织样本中的氨基酸量.
• 监督较弱的MIL在自动化氨酸细胞量化方面表现出高准确性.
• 该方法解决了在组织病理图像中变量细胞分布的挑战.

结论:

• 与MIL一起开发的层次框架提供了一个准确和自动化的解决方案来量化埃索因菲尔.
• 这种方法为推进自动化基因病理图像分析提供了基础.
• 建议对各种数据集进行进一步的验证,以便在现实世界中临床应用.