一个强大的图像细分和合成管道用于他的病理学
Muhammad Jehanzaib1, Yasin Almalioglu2, Kutsev Bengisu Ozyoruk3
1Department of Computer Engineering, Bogazici University, Istanbul, Turkey; Department of Computer Science, FAST-NUCES, Lahore, Pakistan.
Medical image analysis
|September 12, 2024
概括
新型深度学习模型PathoSeg在数字病理学图像中增强了癌细胞细分. 它通过利用合成数据和注意力机制,优于现有方法,提高了诊断准确度.
科学领域:
- 数字病理学数字病理学
- 医学图像分析 医学图像分析
- 计算生物学 计算生物学
背景情况:
- 尽管数字成像技术进步,病理诊断仍面临着变化.
- 癌症区域的准确细分对于诊断和治疗规划至关重要.
研究的目的:
- 评估PathoSeg模型用于癌细胞组织的自动细分的性能.
- 提高数字病理学的诊断准确性和效率.
主要方法:
- 开发了PathoSeg,该模型具有修改的HRNet编码器和UNet++解码器,并包含了CBAM注意力区块.
- 利用PathopixGAN生成的合成数据来解决数据不平衡的问题.
- 创建并发布了一个新的数据集,用于乳腺癌管道,肝脏肥胖症和前列腺癌腺体的细分面具.
主要成果:
- 与最先进的方法相比,PathoSeg在实例和语义细分方面表现出卓越的定量和质量性能.
- 使用合成数据显著提高了PathoSeg的细分精度.
- 公司内部的数据集为进一步研究组织病理学图像分析提供了宝贵的资源.
结论:
- 在数字病理学中,PathoSeg为准确和自动化癌细胞和组织细分提供了强大的解决方案.
- 综合合成数据生成和注意力机制的整合提高了模型性能.
- 公开发布的数据集和代码将促进可复制性,并推进该领域的研究.
