协同深度学习启用预处理和人类-人工智能集成,以实现高效的自动地面真相生成

科学领域:

• 医学图像分析 医学图像分析
• 计算病理学计算病理学
• 人工智能在医学中的应用

背景情况:

• 医疗图像解释中的监督深度学习受到高成本和地面真相生成时间的阻碍.
• 图像质量不一致和在主动学习样本选择中过度匹配是重大挑战.
• 全幻灯片图像 (WSIs) 为自动化组织病理学提供了丰富的数据,但不一致性仍然存在.

研究的目的:

• 通过使用主动学习来解决医疗图像解释中基准真相生成的局限性.
• 通过处理因图像不一致引起的分布外样本来缓解活跃学习中的过度拟合.
• 提高高分辨率WSIs上的自动化兴趣区域地面真相标签的效率和准确性.

主要方法:

• 开发了一种基于深度学习的新型预处理算法,以使WSI数据正常化.
• 实施了与样本选择预处理算法集成的积极学习策略.
• 量化评估和视觉突出显示WSI数据集中的不一致性.

主要成果:

• 预处理算法有效地将未知样本规范化为训练集分布,减轻过度拟合.
• 接受了92%的自动生成标签,将标签数据集扩展了845%.
• 与手动基准标签相比,专家的时间减少了96%.

结论:

• 拟议的深度学习策略显著增强了高分辨率WSIs的自动地面真相标签.
• 这种方法有效地解决了图像不一致性,并降低了专家标签的成本和时间.
• 该方法对推进自动化组织病理学和医学图像解释有前途.