FASNet:在辅助诊断医疗系统中,基于特征对齐的方法与数字病理图像

科学领域:

• 数字病理学数字病理学
• 医学成像分析分析 医学成像分析
• 计算病理学计算病理学

背景情况:

• 医学图像,特别是数字病理学,对于临床诊断和瘤识别至关重要.
• 病理图像细分的深度学习模型需要大量的注释数据,这是昂贵且难以获得的.
• 当前的模型与域移动作斗争,导致新数据集中的边界预测错误.

研究的目的:

• 开发一种新的基于特征对齐的细节识别策略,用于病理图像细分 (FASNet).
• 提高数字病理学图像中细胞核识别的准确性和稳定性.
• 为了应对有限的注释数据和深度学习模型中域名转移的挑战.

主要方法:

• 拟议的FASNet,包括一个预处理模型和一个UNW细分网络.
• 在UNW网络的编码器和解码器中集成语义意识的规范化和白化模块.
• 实现了类内的特征紧性和类之间的分离,以增强细节识别.

主要成果:

• FASNet 实现了 0.844.4 的子相似系数 (DSC).
• 在与训练数据不同分布的测试数据上表现出强的性能.
• 成功识别了特征细节,以有效地区分组织类别.

结论:

• FASNet提供了一种有效的策略,用于病理图像细分,改善细节识别.
• 该方法增强了区分各种组织类别的能力.
• 在数字病理学中,FASNet显示出可靠的计算机辅助诊断的前景,即使具有域变异.