浏览整个幻灯片图像,使用层次,多对象和多尺度数据.

科学领域:

• 计算病理学计算病理学
• 深度学习 (Deep Learning) 是一种深度学习.
• 医学图像分析 医学图像分析

背景情况:

• 通过使用少数训练样本的深度学习模型对整个幻灯片图像 (WSI) 进行细分是具有挑战性的,因为它们具有相似的形态结构.
• 病理学家利用层次特征组织和多尺度分析来准确地识别组织.

研究的目的:

• 开发一种视觉模型,Navigator,模仿病理学家多尺度诊断工作流程,用于WSI细分.
• 为了应对计算病理学中有限的注释数据的挑战.

主要方法:

• 导航器模型采用多尺度方法,搜索低分辨率图像并逐渐放大以定位更细微的微解剖学类.
• 一个新的半监督框架,S5CL v2,用于训练导航员在稀疏注释的样本.

主要成果:

• 导航器在较低分辨率时有效检测粗粒度图案,在较高分辨率时检测细粒度图案.
• 该模型在各种数据集,包括TCGA-COAD-30CLS和埃尔兰根队列中,在F1得分上实现了高达8%的改善.

结论:

• 导航器模型展示了一个有希望的方法,用于高效和准确的WSI细分,特别是在数据稀缺的场景.
• 多尺度导航策略和半监督学习框架在计算病理学方面取得了重大进展.