结构化的自适应增强树用于检测光体内显微镜中的多细胞聚合物

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
• 机器学习 机器学习

背景情况:

• 光内存显微镜可以在体内产生大量动态细胞相互作用的数据集.
• 精确的边缘检测在医学成像中至关重要,用于识别结构和边界.
• 对微循环中的多细胞聚合物进行边缘检测的自动化存在重大挑战.

研究的目的:

• 开发和评估一种新的机器学习方法,用于在微循环中自动检测多细胞聚合物的边缘.
• 通过利用结构性和相互依存的边缘特征来解决医疗图像边缘检测方面的挑战.
• 应用拟议的算法来分析肺血管中的血小板-中性粒细胞聚合物.

主要方法:

• 提出了结构自适应提升树 (AdaBoost.S) 算法,利用来自较大的图像补丁的特征来预测边缘结构.
• 应用AdaBoost.S光肺内生图像暴露于电子烟蒸汽的小鼠.
• 评估了AdaBoost.S与Random Forest,XGBoost和决策树算法的性能,使用回忆,F-score和精度.

主要成果:

• AdaBoost.S实现了平均回忆率为0.81,F-score为0.79,精度为0.78.
• 与随机森林,XGBoost和决策树相比,该算法在统计学上显示出更好的回忆和F-score.
• AdaBoost.S的精度与Random Forest的精度相当,并且表现优于XGBoost和决策树.

结论:

• 拟议的AdaBoost.S算法为医学成像中多细胞聚合物的自动边缘检测提供了一个有效的解决方案.
• AdaBoost.S在识别这些结构方面提供了更好的性能,特别是在具有挑战性的静脉内显微镜数据集中.
• 该算法的适用性扩展到各种光体内显微镜应用,包括癌症,感染和心血管疾病研究.