SegAnyPath:一个基础模型,用于多分辨率的斑点变体和多任务病理图像分割

科学领域:

• 数字病理学数字病理学
• 医疗图像分析 医学图像分析
• 计算机视觉 计算机视觉 计算机视觉

背景情况:

• 像分段任何模型 (SAM) 这样的基础模型在一般图像细分方面表现有前途.
• 病理图像细分面临的挑战是由于多尺度结构和染色异质性,限制了模型的一般性能.

研究的目的:

• 介绍SegAnyPath,这是一个为病理图像分割量身定制的基础模型.
• 提高各种病理学分析任务的零射击概括.

主要方法:

• 在一个大型的公共病理学数据集上训练了SegAnyPath (1.5M+图像,3.5M+面具).
• 采用多个尺度的代理任务来处理不同的图像分辨率,以及用于染色变化的自蒸方案.
• 利用任务指导的专家组合 (MoE) 架构来有效处理细胞,组织和瘤细分.

主要成果:

• 在零射击设置中,SegAnyPath在数据集和器官之间实现了0.6797子得分.
• 在不同的染色风格和分辨率中表现出一致的性能.
• 在外部测试组中,优于微调SAM的性能为29.27% (0.6797比0.5258子得分).

结论:

• 与现有的基础模型相比,SegAnyPath为病理图像细分提供了卓越的性能和概括性.
• 该模型显示了促进病理学分析和提高临床诊断准确性的潜力.
• 开发的SegAnyPath解决了专业医学成像领域一般模型的关键局限性.