改进的DeTraC二进制Coyote基于网络的多实例学习,用于从全片病理图像中预测乳腺癌的淋巴结转移

科学领域:

• 计算病理学计算病理学
• 医学成像分析分析 医学成像分析
• 机器学习在瘤学中的应用

背景情况:

• 在乳腺癌中早期检测淋巴结转移对于改善患者的预后和治疗疗效至关重要.
• 精确识别转移性淋巴结是乳腺癌诊断的一个重大挑战.

研究的目的:

• 引入和评估改进的分解,转移和编写二元狼网络基于多实例学习 (ImDeTraC-BCNet-MIL) 方法.
• 为了提高从乳腺癌中全片图像 (WSIs) 预测淋巴结转移的准确性.

主要方法:

• 用Otsu和二维聚类将WSIs细分为补丁.
• 为特征构建和预测开发了一种新的多实例学习方法 (ImDeTraC-BCNet-MIL).
• 该方法用于培训和测试阶段的特征生成,以识别淋巴结转移.

主要成果:

• ImDeTraC-BCNet-MIL模型在基准数据集上实现了高性能.
• 在Camelyon16上,精度达到95.3%,在Camelyon17上达到99.8%.
• 精度和回忆率也显著高,证明了强大的预测能力.

结论:

• 该ImDeTraC-BCNet-MIL方法有效地提高了早期检测的淋巴结转移在乳腺癌.
• 这种方法代表了癌症诊断计算病理学的重大进步.