半监督识别用于人工智能辅助的病理学图像诊断

科学领域:

• 医学诊断 医学诊断 医学诊断
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 细胞病理图像分析对于医学诊断至关重要,但面临着手动解释和数据稀缺的挑战.
• 医疗专业知识有限,以及难以获得高质量的标记数据,阻碍了精确的细胞识别.
• 目前的半监督学习模型在利用未标记的数据来改进细分方面效率低下.

研究的目的:

• 引入人工智能辅助的半监督细分方案,以增强细胞病理图像分析.
• 通过有效利用未标记样本来应对有限的标记数据的挑战.
• 提高医学诊断中细胞细分的准确性和效率.

主要方法:

• 开发了可靠的未标记的半监督细分 (RU3S) 模型,集成了ResUNet-SE-ASPP-Attention (RSAA).
• 在ResUNet架构中,RSAA模型包含了Squeeze-and-Excitation (SE),Atrous空间金字塔聚合 (ASPP) 和注意模块.
• 实施了一种新的信任过策略,以优化未标记数据的利用.

主要成果:

• 通过有效利用未标记的数据,RU3S模型在准确性方面取得了显著的改进.
• 与最先进的半监督细分模型 (ST) 相比,实现了2.0%的平均交叉点对欧盟 (mIoU) 准确度的增加.
• 信任过策略增强了未标记样本的利用,缓解了数据稀缺问题.

结论:

• 拟议的RU3S模型为细胞病理图像细分提供了有效的解决方案,特别是在数据稀缺的环境中.
• 集成先进的深度学习组件和新的过策略显著提高了细分性能.
• 这种由人工智能驱动的方法有望提高诊断准确性和解决医疗保健差异.