无监督的宫细胞实例细分方法整合细胞特征
Yining Xie1, Jingling Gao2, Xueyan Bi3
1College of Mechanical and Electrical Engineering, Northeast Forestry University, Harbin, 150040, China.
Medical & biological engineering & computing
|November 3, 2024
概括
这项研究引入了一种无监督的方法来细分宫细胞,这对于癌症诊断至关重要. 它利用细胞核-细胞质结构生成伪标签,改善模型训练而不需要手动注释.
科学领域:
- 医疗成像医学成像
- 计算生物学 计算生物学
- 计算机视觉 计算机视觉
背景情况:
- 细胞实例细分对于宫癌诊断至关重要.
- 培训模型的像素级注释是劳动密集型和耗时的.
- 有限的注释数据阻碍了有效的模型培训.
研究的目的:
- 为宫细胞实例细分提出一种无监督的方法.
- 为了应对医学成像中注释数据不足的挑战.
- 整合固有的细胞特征以改善细分.
主要方法:
- 开发了一个双流框架,同时对细胞核和细胞质进行细分.
- 核细分采用了标准的细胞受限方法.
- 细胞质细分涉及一种新的多角度协作方法,它结合了自我相似性地图代和自我监督的热图意识细分.
- 通过融合核和细胞质细分结果,生成了高质量的伪标签.
- 有损失函数的循环训练策略鼓励发现新的对象面具.
主要成果:
- 提出的无监督方法在细胞质细分方面取得了显著的结果.
- 该方法在ISBI上获得了54.32%的调整后雅卡德指数 (AJI),在MS_CellSeg上为44.64%,在Cx22数据集上为66.52%.
- 性能超过了研究中评估的其他无监督方法.
结论:
- 无监督方法有效地通过利用核-细胞质结构关系对宫细胞进行细分.
- 该方法显著减少了对手动像素级注释的依赖.
- 这种技术为在资源有限的环境中训练强大的细胞细分模型提供了一个有希望的解决方案.


