对比nnU-Net和deepflash2对于组织病理瘤细分的研究.
Daniel Hieber1,2,3, Nico Haisch4, Gregor Grambow4
1DigiHealth Institute, Neu-Ulm University of Applied Sciences.
Studies in health technology and informatics
|August 23, 2024
概括
像nnU-Net和deepflash2这样的自动化机器学习 (AutoML) 框架显示出对组织病理瘤细分的承诺. 这些工具可以在消费者硬件上进行复杂的医疗图像分析,这可能有助于临床应用.
科学领域:
- 医学图像分析 医学图像分析
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 机器学习 (ML) 已经变得更容易获得,自动化ML (AutoML) 框架与专业模型竞争.
- 自动ML在复杂的任务中表现出色,包括组织病理瘤细分,这传统上需要广泛的专家知识.
研究的目的:
- 为了比较两个领先的AutoML框架nnU-Net和deepflash2的性能,用于他的病理图像细分.
- 评估使用这些框架在临床环境中的消费硬件上的可行性.
主要方法:
- 利用了来自56名质母细胞瘤患者的103张整片图像的数据集.
- 在使用消费级硬件的笔记本电脑上训练和评估nnU-Net和deepflash2.
- 专注于从健康组织对具有异质过渡的瘤进行细分的具有挑战性的任务.
主要成果:
- nnU-Net和deepflash2都表现出了在基因病理图像细分方面的能力.
- 该研究评估了AutoML在可访问硬件上的实际应用,超越了高性能研究实验室.
结论:
- 自动ML框架显示了简化复杂基因病理图像分析的潜力.
- 这些发现表明,即使没有专门的高性能计算基础设施,AutoML工具也可能适合临床部署.
