蒙面图像建模与自我蒸相遇:一种基于变压器的前列腺腺细分框架用于病理幻灯片

科学领域:

• 数字病理学数字病理学
• 机器学习在瘤学中的应用
• 医疗图像分析 医学图像分析

背景情况:

• 精确的前列腺癌腺体细分对于分级和下游机器学习任务至关重要.
• 目前的特征提取方法由于依赖于细胞水平或人类注释的数据,是不理想的.
• 现有的细分模型对于精确的前列腺癌腺体识别有局限性.

研究的目的:

• 为机器学习应用开发可靠的前列腺细分框架.
• 为了提高特征提取用于前列腺癌分析的准确性.
• 为了解决当前腺体细分模型的局限性.

主要方法:

• 提出了一个使用双路径Swin Transformer UNet架构的新框架.
• 雇员蒙面图像建模用于大规模的自我监督的各种数据前期培训.
• 整合了瘤引导的自蒸步骤,以提高编码器适合细分的适度.

主要成果:

• 在两个公共数据集上实现了最先进的细分性能.
• 在PANDA数据集上获得了0.947的测试mDice.
• 在SICAPv2数据集上获得0.664的测试mDice.

结论:

• 拟议的框架在前列腺癌腺体细分方面表现出卓越的性能.
• 这一进步使格里森分级和生存分析的特征提取更加精确.
• 具有异质数据集成的自我监督方法提高了模型的概括性.