细胞核检测和细分组织病理图像使用特征金字塔网络变种的面具R-CNN
Vignesh Ramakrishnan1,2, Annalena Artinger3, Laura Alexandra Daza Barragan4
1Institute of Pathology, University Regensburg, Franz-Josef-Strauß-Allee 11, 93053 Regensburg, Germany.
Bioengineering (Basel, Switzerland)
|October 25, 2024
概括
将特征金字塔网络与Mask R-CNN集成,可以改善数字病理学中核的检测. 这种对象检测方法在没有大量后处理的情况下提供可靠的结果,从而推进了计算病理学诊断.
科学领域:
- 数字病理学数字病理学
- 计算病理学计算病理学
- 医学图像分析 医学图像分析
背景情况:
- 准确的细胞核解释对于病理诊断至关重要,特别是在瘤样本中.
- 当前的计算病理学依赖于语义细分来进行核分析,通常需要大量的后处理.
- 自动核检测和属性分析是基因病理图像分析的关键.
研究的目的:
- 评估基于对象检测的实例细分网络 (Mask R-CNN) 与特征金字塔网络 (FPN) 集成的核检测的有效性.
- 为了证明这种综合方法提供了可靠的核检测与最小的后处理.
- 将拟议方法的性能与传统的语义细分网络进行比较.
主要方法:
- 使用了Mask R-CNN对象检测实例细分网络.
- 将特征金字塔网络 (FPN) 与Mask R-CNN集成,以增强特征表示.
- 在库马尔数据集上评估了该方法,库马尔数据集是一个公开的数据集,有超过20,000个原子核注释.
- 使用子得分来衡量表现.
主要成果:
- 将FPN与Mask R-CNN集成,使得核子检测的Dice分数从76%提高到83%.
- 增强的Mask R-CNN实现了与现代基于语义细分的网络 (82.6%) 相比的Dice得分.
- 基于端到端可训练检测的实例细分算法需要最小的后处理.
结论:
- 基于对象检测的实例细分方法 (Mask R-CNN with FPN) 为数字病理学中核检测和分析提供了可靠和高效的方法.
- 这种方法减少了复杂的后处理步骤的需要,简化了计算病理学工作流.
- 这些发现支持使用这种先进的算法来改进在组织病理图像诊断中的自动化分析.
