全球优化边界的细胞细分 (CSGO):一种深度学习管道,用于在血素和氨酸染色组织中进行全细胞细分
Zifan Gu1, Shidan Wang1, Ruichen Rong1
1Quantitative Biomedical Research Center, Peter O'Donnell Jr. School of Public Health, University of Texas Southwestern Medical Center, Dallas, Texas.
Laboratory investigation; a journal of technical methods and pathology
|November 11, 2024
概括
一个新的深度学习管道,以全球优化边界 (CSGO) 进行细胞细分,在H&E染色组织图像中准确地细分整个细胞,改进瘤微环境分析.
科学领域:
- 病理图像分析 病理图像分析
- 计算生物学 计算生物学
- 生物医学成像技术 生物医学成像技术
背景情况:
- 精确的全细胞细分对于分析瘤微环境至关重要.
- 现有的机器学习方法用于H&E图像中的核细分需要改进,以进行全细胞细分.
研究的目的:
- 开发一个深度学习管道,用于在H&E染色组织中自动整细胞细分.
- 增强瘤微环境研究的病理图像分析能力.
主要方法:
- 开发了具有全球优化边界 (CSGO) 的细胞细分框架.
- 集成的你只看一次 (YOLO) 用于核细分和U-Net用于膜细分.
- 采用基于能源的分水方法进行后处理.
主要成果:
- 在5个外部数据集中的4个数据集中,CSGO的表现优于Cellpose,在0.5.5的IOU值下,CSGO获得了更高的F1分数 (0.370.53与0.210.36).
- 在包括肝脏,肺部和口腔疾病病例在内的各种组织类型中表现出强度和准确性.
- 在外部数据集上验证了性能,证实了卓越的细胞细分能力.
结论:
- CSGO提供了一种多功能且准确的解决方案,用于在各种癌症亚型中对整个细胞进行细分.
- 该框架显著提高了病理图像分析的精度和效率.
- CSGO促进瘤微环境研究,并有助于改善癌症的理解和治疗.
更多相关视频
09:31Automated Quantification of Hematopoietic Cell – Stromal Cell Interactions in Histological Images of Undecalcified Bone
Published on: April 8, 2015
11.5K
08:40Quantitation of Protein Expression and Co-localization Using Multiplexed Immuno-histochemical Staining and Multispectral Imaging
Published on: April 8, 2016
12.7K
