面具超图学习对弱监督的组织病理学全幻灯片图像分类
1School of Software, Hefei University of Technology, Hefei, 230601, Anhui Province, China.
Computer methods and programs in biomedicine
|May 31, 2024
概括
这项研究介绍了蒙面超图学习 (MaskHGL) 通过捕捉图像补丁之间的复杂,非对式关系来分析全幻灯片图像 (WSI) 的基因病理学. 这种新的方法显著提高了WSI分类的准确性和稳定性,显示了癌症亚型和基因突变预测的前景.
科学领域:
- 计算病理学计算病理学
- 机器学习用于医学成像.
- 图形神经网络是一个神经网络.
背景情况:
- 整个幻灯片图像 (WSI) 在组织病理学中提出了复杂的数据挑战.
- 现有的图形神经网络 (GNN) 方法用于WSI分析,往往忽略了非对式补丁关系.
- 这种限制阻碍了最佳的特征学习和分类性能.
研究的目的:
- 探索和利用在组织病理学WSIs中的非对式关系.
- 开发一个新的框架来学习幻灯片级别的表示.
- 通过整合非对式补丁相关性来提高WSI分类性能.
主要方法:
- 提出了一个掩盖的超图学习 (MaskHGL) 框架,用于弱监督的WSI分类.
- 利用超图来建模非对式补丁相关性,并使用超图卷积来实现全球消息传递.
- 整合了一个掩盖的超图重建模块,以提高稳定性和概括性,以及一个自我注意节点聚合器.
主要成果:
- 在TCGA-LUNG,TCGA-EGFR和USTC-EGFR数据集上评估了MaskHGL.
- 达到高的ROC曲线下的面积 (AUC) 值:0.9752±0.0024 (TCGA-LUNG),0.7421±0.0380 (TCGA-EGFR) 和0.8745±0.0100 (USTC-EGFR). 在这个过程中,我们可以看到ROC曲线下的面积.
- 在最先进的方法中表现优越,在USTC-EGFR数据集上SlideGraph+的表现优于2.64%.
结论:
- MaskHGL通过利用非对式关系显著改善了WSI分类.
- 蒙面超图重建模块提高了稳定性和分类能力,特别是在数据稀缺的场景中.
- 该方法显示了癌症亚型的强大潜力,并预测了来自H&E染色WSIs的基因突变.
