从基因病理图像进行半监督组织细分,并进行一致性规范化和不确定性估计.

科学领域:

• 数字病理学数字病理学
• 医学图像分析 医学图像分析
• 人工智能在医学中的应用

背景情况:

• 病理学家对组织病理学涂抹图像的评估是耗时且容易出现错误的.
• 像卷积神经网络 (CNN) 这样的深度学习模型可以自动化组织结构分析.
• 训练深度学习模型需要大型标记数据集,这些数据集往往很少,特别是对于罕见疾病.

研究的目的:

• 开发一种新的半监督方法,用于在组织病理图像中对组织结构的语义细分.
• 为了应对有限的标记数据在训练深度学习模型医疗图像分析的挑战.
• 为了提高自动化基因病理图像分析的准确性和一致性.

主要方法:

• 一个基于CNN的教师模型被开发出来,用于生成伪标签来训练一个学生模型.
• 用自主监督培训来提高教师模型在较小数据集上的表现.
• 一致性规范化用于对标记数据进行高效的学生模型培训.
• 蒙特卡洛脱落被用于对模型预测的不确定性估计.

主要成果:

• 拟议的半监督方法在公开数据集上获得了0.64的平均交叉与欧盟 (mIoU) 评分.
• 该方法证明了克服传统的监督学习在组织病理学方面的局限性的潜力.
• 该模型在细分组织结构方面显示出有希望的结果,表明准确度有所提高.

结论:

• 开发的半监督学习框架提供了一个可行的解决方案,用于用有限的数据对组织病理图像进行细分.
• 教师-学生模型架构有效地利用伪标签和自我监督.
• 这项工作突出了人工智能的潜力,以提高数字病理学的诊断准确性和效率.