不同的像素分辨率显著改善了基于深度学习的状腺斑块组织学细分和分离

科学领域:

• 心血管病理学心血管病理学
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 由脂质,和碎片组成的动脉斑块可以破裂并导致中风.
• 斑块的组成和机械特性影响破裂风险.
• 自动化动脉斑块的组织病理学分析对于将组织学与体内成像相关并优化患者治疗至关重要.

研究的目的:

• 开发和验证一个深度学习模型,用于自动细分动脉斑块组件.
• 调查不同像素分辨率对模型性能的影响.
• 为了提高在动脉斑块中识别脂质和化区域的准确性.

主要方法:

• 使用Mask R-CNN深度学习模型,从323个全幻灯片图像中对1944个感兴趣的区域进行训练.
• 组织学图像的不同像素分辨率 ([公式:见文本]到[公式:见文本]) 提供上下文信息.
• 与使用标准补丁训练相比,性能比较.

主要成果:

• 与使用补丁进行训练相比,实现了[公式:查看文本]增加的像素精度.
• 获得高F1分数:[公式:见文本]用于化区域,[公式:见文本]用于脂质核心,以及[公式:见文本]用于纤维区域.
• 证明了预测光线的定性能力;由于数据有限而排除出血.

结论:

• 在具有多种像素分辨率的组织学图像上训练的深度学习模型可以准确地细分动脉斑块组件.
• 这种方法增强了将组织病理与体内成像相关联的潜力,以获得更好的中风风险分层.
• 进一步的开发可以完善斑块分析,并为临床干预提供信息.