一个深度学习框架,用于从具有不同染色风格的细胞病理图像中预测子宫内膜癌
Ruijie Wang1, Qing Li2, Guizhi Shi3
1School of Automation Science and Engineering, Xi'an Jiaotong University, Xi'an, Shaanxi, P.R. China.
PloS one
|July 31, 2024
概括
这项研究引入了使用细胞病理学图像进行子宫内膜癌查的自动化深度学习框架. 这种新的方法有效地处理着着色风格的变化,提高了诊断准确性和早期检测的效率.
科学领域:
- 计算病理学计算病理学
- 医学成像分析分析 医学成像分析
- 人工智能在瘤学中的应用
背景情况:
- 用于癌症查的子宫内膜细胞病理图像的手动分析是耗时和主观的.
- 不同医疗中心染色风格的变化阻碍了深度学习模型的泛化.
- 准确和有效的查方法对于及时临床治疗子宫内膜癌至关重要.
研究的目的:
- 开发一个强大的内膜腺癌自动查框架,适应细胞病理学图像中的多种染色方式.
- 为细胞病理学家提供客观的诊断参考,提高查效率和准确性.
- 介绍XJTU-EC数据集,这是第一个带有子宫内膜癌细分和分类标签的细胞病理学数据集.
主要方法:
- 提出了一个两阶段的深度学习框架:CM-UNet用于细胞群细分和ECRNet用于分类.
- CM-UNet 结合了通道注意力 (CA) 和多层次语义监督 (MSS) 来克服染色变化.
- ECRNet利用基于动量更新的对比学习和标记的内存库来最大限度地减少虚假负面.
主要成果:
- CM-UNet在从具有不同染色风格的图像中对细胞团进行细分方面表现出色.
- 在XJTU-EC测试组中,ECRNet获得了高准确度 (98.50%),精度 (99.32%) 和灵敏度 (97.67%).
- 拟议的框架在从细胞病理图像中查子宫内膜癌症方面表现优于现有的经典模型.
结论:
- 开发的自动化框架可从细胞病理学图像中强大选子宫内膜癌,无论染色变异如何.
- 这一进步有助于改善子宫内膜癌的早期诊断和临床治疗.
- 这项研究为计算病理学研究提供了有价值的数据集和一种新的深度学习方法.
