半监督肺腺癌组织病理学图像分类基于多教师知识蒸的图像分类
Qixuan Wang1, Yanjun Zhang2, Jun Lu2
1China Academy of Information and Communications Technology, Beijing 100191, People's Republic of China.
Physics in medicine and biology
|August 27, 2024
概括
这项研究引入了一种半监督学习 (SSL) 框架,用于从整个幻灯片图像 (WSIs) 中准确地分类肺瘤,实现与具有有限标记数据的专家可比的性能.
科学领域:
- 计算病理学计算病理学
- 医学中的人工智能
- 数字病理学数字病理学
背景情况:
- 精确的肺瘤生长模式的分类对于治疗至关重要,但在有限的标记全幻灯片图像 (WSIs) 中具有挑战性.
- 在医学图像分析中对标记数据的高需求阻碍了深度学习 (DL) 的应用.
研究的目的:
- 开发一种半监督学习 (SSL) 方案,使用基于补丁的DL框架,对七种肺瘤生长模式进行高精度分类.
- 提高概括能力,减少在WSI分析中对广泛标记数据的依赖.
主要方法:
- 实施了SSL方法,使用动态的信任值机制来管理伪标签的质量和数量.
- 利用多教师知识蒸 (MTKD) 来转移来自多个教师模型的知识,保护学生模型免受不良预测.
- 培训并评估了150个代表七个增长模式的世界经济报告的框架.
主要成果:
- 该SSL框架在组织病理学图像中分类肺瘤生长模式方面取得了高准确性.
- 性能与完全监督的模型和人类病理学家相当.
- 与之前的研究相比,在公开数据集上表现出更高的概括性.
结论:
- 在医疗图像分析中,SSL方法可以实现专家级别的性能,提供高效和成本效益的解决方案.
- 动态置信值和MTKD代表了DL在复杂的医学图像分析中的重大进步.
- 这项工作为更快,更准确的诊断和改善患者结果铺平了道路.
