伪细胞:基于深度学习的中枢细胞细胞检测的伪标签作为硬负采矿

科学领域:

• 数字病理学数字病理学
• 计算病理学计算病理学
• 医学中的人工智能

背景情况:

• 深度学习模型使用全幻灯片图像 (WSIs) 帮助卵泡淋巴瘤分类.
• 目前的模型需要手动的中枢细胞识别和病理学家的精细标签进行优化.
• 这一要求在诊断工作流程中构成了重大瓶.

研究的目的:

• 介绍PseudoCell,这是一个对象检测框架,用于WSIs中自动检测心脏细胞.
• 消除了对病理学家精制的广泛标签的需求,简化了模型优化.
• 减少数字病理学中手动注释负担.

主要方法:

• 采用混合方法,将病理学家提供的心脏细胞标签与伪负标签相结合.
• 使用细胞形态学,从低样本虚假阳性预测生成伪负标签.
• 开发一个对象检测框架,用于精确的中心爆发物识别.

主要成果:

• 通过准确识别感兴趣的领域,PseudoCell显著降低了病理学家的工作量.
• 该框架可以取决于信任值,在WSIs中消除58.18-99.35%的无关组织区域.
• 展示PseudoCell在预先选中检测中心细胞细胞的效率.

结论:

• 伪细胞提供了一种实用和高效的预选解决方案,用于在WSIs中检测心脏细胞.
• 该框架消除了对精致病理学家标签的需求,提高了工作流程的效率.
• 在诊断环境中为PseudoCell的临床实施提供指导.