通过合成辅助预训练和补丁级特征对齐来检测多类宫病变细胞的蒸

科学领域:

• 医疗成像医学成像
• 计算病理学计算病理学
• 医疗保健中的人工智能

背景情况:

• 从Thin-Prep细胞检测 (TCT) 图像中自动检测异常的宫细胞对于宫癌查中的高效计算机辅助诊断 (CADx) 系统至关重要.
• 目前CADx模型开发面临的挑战包括培训数据中的阶级不平衡和不完整的注释.
• 现有的方法往往忽略了细胞之间的关键视觉特征相关性,这是病理学家用于准确识别的关键因素.

研究的目的:

• 提出一种新的蒸框架,以加强在TCT图像中自动检测宫细胞.
• 为了解决现有检测模型中的类失衡,不完整的注释和被忽视的细胞特征相关性的局限性.
• 开发适用于各种图像级检测网络的多功能框架,而不改变其推理架构.

主要方法:

• 开发了一个平衡的预训练模型 (BPM) 用于贴片级的宫细胞分类,利用图像合成模型创建一个类平衡的数据集.
• 评分校正损失 (SCL) 旨在促进知识从BPM到检测网络的提炼,减轻不完整注释的问题.
• 引入了补丁相关性一致性 (PCC) 策略,以利用提取的细胞之间的相关性,模拟细胞病理学家的分析方法.

主要成果:

• 拟议的蒸框架在自动化宫细胞检测方面表现出卓越的性能.
• 该方法在各种检测架构中被证明是可适应和有效的.
• 在公共和私人数据集上的实验验验证了BPM,SCL和PCC策略的有效性.

结论:

• 开发的蒸框架有效地克服了用于宫细胞检测的培训数据准备方面的挑战.
• 整合类平衡预训练,分数校正和补丁相关性一致性显著提高了检测准确性.
• 这种方法为推进计算机辅助诊断在宫癌查中提供了强大的和可适应的解决方案.