MurSS:乳腺癌的多分辨率选择性细分模型

科学领域:

• 数字病理学数字病理学
• 计算瘤学计算瘤学
• 医学图像分析 医学图像分析

背景情况:

• 精确细分癌症病变对于个性化癌症治疗和改善患者治疗结果至关重要.
• 血素和素 (H&E) 染色全片图像 (WSIs) 是癌症诊断的标准,但需要精确的分析.
• 深度学习模型为自动化和提高癌症病变细分的准确性提供了潜力.

研究的目的:

• 开发和评估一种新的多分辨率选择性细分 (MurSS) 模型,用于在H&E染色的WSIs中准确细分乳腺癌病变.
• 利用多分辨率功能和选择性机制来提高细分性能和稳定性.
• 将MurSS模型的性能与现有的深度学习方法进行比较.

主要方法:

• MurSS模型是使用WSIs的低分辨率和高分辨率图像补丁开发的.
• 使用自适应实例规范化来有效地集成多分辨率功能.
• 实施了选择性细分方法,自动拒绝模两可的组织区域,确保训练稳定性.
• 该模型在癌症基因组图谱 (The Cancer Genome Atlas) 乳腺侵入性癌 (BRCA) 数据集上进行了训练和验证,并在韩国大学医学中心的单独BRCA数据集上进行了测试.

主要成果:

• MurSS模型实现了 96.88% (95% CI: 95.97-97.62%) 的像素级准确度和 0.7283 (95% CI: 0.6865-0.7640) 的平均交界点 (IoU).
• 该模型与其他评估的深度学习模型相比,表现优越.
• MurSS成功地拒绝了大约5%的模两可的WSI地区,与专家注释保持一致.

结论:

• MurSS模型提供了WSIs乳腺癌病变的准确和稳定的细分.
• 它能够利用多分辨率信息并拒绝模两可的区域,使其成为数字病理学和个性化医学的一个有希望的工具.
• MurSS模型代表了自动化癌症病变细分的重大进步,用于改进诊断和治疗策略.