基准测试基于深度学习的图像检索口腔瘤组织学
Ranny R Herdiantoputri1, Daisuke Komura2, Mieko Ochi2
1Department of Oral Pathology, Tokyo Medical and Dental University, Tokyo, JPN.
Cureus
|July 16, 2024
概括
自主监督学习 (SSL) 方法增强了口腔瘤的基于内容的图像检索 (CBIR). 在口腔组织学图像上训练的SSL模型实现了高诊断准确性,即使是使用智能手机查询图像.
科学领域:
- 数字病理学数字病理学
- 口腔瘤学 口腔瘤学
- 人工智能在医学中的应用
背景情况:
- 口腔瘤需要可靠的计算机辅助诊断,因为它们的稀有性和多样性.
- 深度神经网络在数字病理学中已经推进了基于内容的图像检索 (CBIR).
- 由于有限的数据库和专门的特征提取器,缺乏口腔病理学CBIR系统.
研究的目的:
- 将深度学习方法作为口腔瘤组织学特征提取器进行比较.
- 开发一个基于内容的图像检索系统,用于口腔病理学.
主要方法:
- 建立一个大型的CBIR数据库,包含30个口腔瘤类别.
- 作为特征提取器的各种深度学习模型的比较.
- 使用智能手机捕获的查询图像验证模型通用性的验证.
主要成果:
- 自主监督学习 (SSL) 方法,特别是SimCLR和TiCo,实现了最高的平均AUC (分别为0.900和0.897).
- 模型在与智能手机图像进行测试时显示出强大的概括性,平均AUC值高 (0.871对于SimCLR,0.857对于TiCo).
- 十大精度评估证实了检索诊断和差异诊断类别的临床实用性.
结论:
- 在特定站点的图像数据上使用SSL方法训练深度学习模型对于有效的口腔瘤组织学CBIR至关重要.
- 这种方法产生了诊断上有意义的结果和高性能.
- 这些发现支持开发先进的CBIR系统,以提高组织病理学诊断的准确性和速度,有利于口腔瘤研究.
