背景删除,以缓解计算机辅助细胞学诊断.

科学领域:

• 数字病理学数字病理学
• 医学中的人工智能.
• 计算细胞学计算细胞学

背景情况:

• 微观幻灯片的恶化导致计算机辅助细胞学中的背景偏差.
• 这种偏见影响了基于深度学习的细胞分类和诊断.
• 单元格注释是劳动密集型和耗时的.

研究的目的:

• 提出一种深度学习方法,用于无监督的细胞细分和背景删除.
• 为了解决口腔液体基细胞学 (LBC) 图像中的背景偏差问题.
• 为了能够在没有细胞注释的情况下进行准确的细胞学诊断.

主要方法:

• 开发了一个基于U-Net的深度学习模型.
• 模型被训练在无人监督的方式分离细胞从背景.
• 在液体细胞学 (LBC) 图像中利用背景冗余和细胞稀疏性.

主要成果:

• 在U-Net模型精确细分单元和排除背景特征.
• 该方法甚至在一小部分细胞学图像中也表现出有效性.
• 成功地在口腔LBC中检测和分类脱皮细胞.

结论:

• 拟议的方法有效地消除了细胞学图像的背景噪声.
• 能够实现精确的细胞细分和分离,而无需进行细胞注释.
• 从微观幻灯片图像提供可靠的基于深度学习的细胞学诊断.