在全幻灯片图像中强大的ROI检测,以病理学家的观看模式为指导
Fatemeh Ghezloo1, Oliver H Chang2, Stevan R Knezevich3
1Paul G. Allen School of Computer Science and Engineering, University of Washington, Seattle, WA, USA. fghezloo@uw.edu.
Journal of imaging informatics in medicine
|August 9, 2024
概括
这项研究引入了一种新的深度学习系统,该系统使用病理学家查看热图来提高整个幻灯片图像的诊断准确性. 该方法增强了区域检测,用于计算机辅助诊断,而不需要手动注释.
科学领域:
- 数字病理学数字病理学
- 医学中的人工智能
- 计算机辅助诊断是一种计算机辅助的诊断.
背景情况:
- 病理学家的专业知识对于从整个幻灯片图像中准确诊断至关重要.
- 在病理学图像中注释关键区域是耗时的,需要专门的知识.
- 深度学习模型从了解病理学家的观看模式中受益,以专注于诊断相关的领域.
研究的目的:
- 开发一个深度学习系统,将病理学家的查看模式 (热图) 集成在一起,以指导感兴趣区域的检测.
- 通过利用领域专业知识来提高计算机辅助诊断系统的性能.
- 减少在培训病理学深度学习模型时对手册注释的需求.
主要方法:
- 从病理学家查看数据生成热图,以表示诊断重点区域.
- 在这些热图的指导下,使用ResNet-18编码器训练U-Net深度学习模型.
- 评估模型在皮肤活检数据集上的黑色素瘤诊断,并将其与传统方法进行比较.
- 与皮肤病理学家进行临床评估,以评估模型的性能和相关性.
主要成果:
- 拟议的系统表现出优于传统方法的性能,精度显著提高 (20%),回忆 (11%),F1得分 (22%) 和交叉在欧盟 (12%).
- U-Net模型有效地识别了感兴趣的区域,模仿病理学家的诊断行为.
- 临床评估证实了该模型能够复制专家观看模式并识别关键诊断区域的能力.
结论:
- 将病理学家查看模式的热图纳入作为补充信号,可以增强基于深度学习的计算机辅助诊断系统.
- 这种方法有望提高数字病理学的诊断准确性和效率.
- 该方法简化了注释过程,并通过突出关键诊断领域,可以帮助培训新的病理学家.
