基于细胞形态差异的标签可信度校正,用于宫细胞分类的细胞分类

科学领域:

• 数字医学和病理学
• 医疗保健中的人工智能
• 瘤学和妇女健康

背景情况:

• 宫癌对妇女健康构成重大威胁,需要准确的早期检测.
• 用于宫细胞分类的病理图像分析对于识别癌前病变至关重要.
• 细胞学数据中的噪音标签,由于复杂的临床定义和观察者间的可变性,挑战了监督学习模型.

研究的目的:

• 开发一种强大的子宫细胞图像分类方法,以应对噪音标签的挑战.
• 提高用于癌前病变检测的宫细胞学自动解释的准确性.
• 提高人工智能驱动的诊断工具在宫癌查数字病理学的可靠性.

主要方法:

• 一个对比的学习网络从宫细胞图像中提取了歧视性特征.
• 无监督集群应用到提取的特征,以生成无监督类标签.
• 标签可信度分析,将集群样本与类特征中心进行比较,识别和分组标签以纠正噪音数据.
• 一种协同的分组方法训练一个多类分类网络,结合动力以保持稳定.

主要成果:

• 拟议的方法有效地纠正宫细胞图像数据集中的噪音标签.
• 在一个大数据集上实现了0.9241的2类任务精度和0.8598的5类任务精度.
• 与用于宫癌检测的现有分类网络相比,其表现优越.

结论:

• 标签可信度校正方法显著提高了宫细胞图像分类的准确性.
• 这种方法为可靠的细胞学数据自动分析提供了有希望的解决方案,有助于早期发现宫癌.
• 开发的方法提高了女性健康应用数字病理学AI模型的稳定性和有效性.