基于补充标签学习的病理图像的细胞类型分类器使用毛囊淋巴瘤分类标准的研究

科学领域:

• 病理学 病理学 病理学
• 计算病理学计算病理学
• 医学图像分析 医学图像分析

背景情况:

• 毛囊淋巴瘤分类对于患者管理至关重要.
• 目前世界卫生组织 (WHO) 的标准是基于细胞计数 (细胞中心细胞和细胞中心细胞),但对于常规的临床使用是不切实际的.
• 数字病理学为客观的细胞识别和量化提供了潜力.

研究的目的:

• 开发一个实用和准确的标准,用数字病理学来分类卵泡淋巴瘤.
• 创建一个细胞类型分类器,利用病理学家的混记录和补充标签学习.
• 提出基于细胞类型组成比率的分级标准,与专家病理学家的评估相一致.

主要方法:

• 开发一种新型数据集,将病理学家对细胞类型分类的混记录纳入其中.
• 使用补充标签学习技术构建细胞类型分类器.
• 图像处理以识别和计数卵泡淋巴瘤细胞类型 (中枢细胞和中枢细胞).
• 提出基于已识别的细胞类型的组成比率的新分类标准.

主要成果:

• 开发的细胞类型分类器在识别细胞中心细胞和细胞中心细胞方面表现出高准确性.
• 拟议的分级标准与经验丰富的病理学家的直观分级相比,与世卫组织标准相比,显示出更好的一致性.
• 该研究成功地整合了图像处理和机器学习,用于实际的卵泡淋巴瘤分级.

结论:

• 拟议的基于数字病理学的标准为卵泡淋巴瘤分类提供了更实用和更一致的方法.
• 从混记录中学习补充标签对于构建精确的细胞类型分类器是有效的.
• 这种方法有可能提高诊断准确度,并简化毛囊淋巴瘤评估中的临床工作流程.