基于深度学习的细胞细分用于甲状腺癌的快速光学细胞病理学
Peter R Jermain1,2, Martin Oswald3, Tenzin Langdun3
1Advanced Biophotonics Laboratory, University of Massachusetts Lowell, Lowell, MA, USA.
Scientific reports
|July 16, 2024
概括
深度学习自动化细胞细分使用甲蓝 (MB) 光极化 (Fpol) 成像显著减少甲状腺癌检测分析时间. 这种方法使定量Fpol诊断在临床上可行.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 计算生物学 计算生物学
- 在瘤学瘤学.
背景情况:
- 甲蓝 (MB) 的光极化 (Fpol) 成像显示了定量甲状腺癌检测的潜力.
- 由于数据分析时间长,MB Fpol技术的临床应用受到阻碍.
研究的目的:
- 为MB Fpol成像开发和评估基于深度学习的自动化细胞细分方法.
- 为了减少数据分析时间,并评估甲状腺癌诊断的自动化与手动处理的准确性.
主要方法:
- 一个2D U-Net卷积神经网络被训练并测试在各种人类甲状腺细胞图像上.
- 自动化 (AU) 和手动 (MA) 数据处理方法对细胞计数,细分面积和Fpol值进行了比较.
主要成果:
- 自动化模型细分了比手动分析更多的15.8%的细胞.
- 在AU和MA之间,细分细胞区域的差异从-55.2%到+31.0%不等.
- Fpol值差异在 -20.7%至 +10.7%之间,在AU和MA之间没有观察到统计学上显著的差异.
- 分析时间从1小时 (MA) 缩短到10秒 (AU).
结论:
- 基于深度学习的自动细胞细分是有效的MB Fpol成像在甲状腺癌检测.
- 自动化方法显著减少了分析时间,同时保持了诊断准确度.
- 这种方法使定量光两极化诊断在临床上可行.
