一种多模转移学习方法用于组织病理学和SR-microCT低数据模式图像细分 图像细分

科学领域:

• 生物医学工程 生物医学工程
• 医学成像分析 医学成像分析
• 计算病理学计算病理学

背景情况:

• 骨细胞缺口结构是骨健康和疾病的关键指标.
• 深度学习 (DL) 显示了分析骨微架构的前景,但需要广泛的标记数据集.
• 高维成像数据对传统的DL细分方法提出了挑战.

研究的目的:

• 开发和验证一种DL方法,用于对人类骨图像中的骨细胞和缺口进行细分.
• 通过利用转移学习来解决数据密集型DL方法的局限性.
• 为了在多模式和低数据场景中实现精确的骨微观调查.

主要方法:

• 实现一个深度的U-Net架构用于图像细分.
• 应用域内和多模式转移学习技术.
• 培训和评估人类骨组织病理学和同步辐射微型计算机断层扫描 (SR-microCT) 数据集,样本有限.

主要成果:

• 获得了63.92±4.69的骨细胞细分和63.94±4.05的缺口细分的子相似系数 (DSC) 分数.
• 与基线方法相比,DSC显著改善 (高达20.38%和5.86%).
• 使用比通常要求小44倍的数据集展示了有效的性能.

结论:

• 拟议的DL方法可以在具有挑战性的低数据,多式成像设置中精确细分骨细胞-缺口结构.
• 这种方法促进了微尺度骨研究,并支持研究骨细胞 - 缺口细胞病理生理学.
• 该方法为推进骨疾病和衰老研究提供了有价值的工具.