基于直径的伪标签用于病态图像分割

科学领域:

• 医疗图像分析 医疗图像分析
• 计算病理学计算病理学
• 医学中的人工智能

背景情况:

• 准确的病理图像细分对于诊断和治疗规划至关重要.
• 弱监管方法为完全监管方法提供了有希望的替代方案,减少了注释负担.
• 利用瘤直径等临床数据可以提供有价值的弱监督信号.

研究的目的:

• 为病态图像细分提出一种新的半弱监督方法.
• 用预先记录的瘤长直径信息作为一种弱监督的形式.
• 通过生成高质量的伪标签来提高病理图像细分的准确性.

主要方法:

• 一个半弱监督的深度学习框架用于图像细分.
• 使用临床瘤直径测量指导伪标签生成.
• 使用准确的伪标签来完善细分模型.

主要成果:

• 拟议的方法有效地利用瘤直径进行弱监督.
• 准确的候选瘤区域被确定用于伪标签选择.
• 生成的伪标签显著提高了细分性能.
• 与其他比较方法相比,该方法获得了更高的性能.

结论:

• 使用临床瘤直径的半弱监督对于病理图像细分是有效的.
• 拟议的方法提供了一种实际的解决方案,用于提高细分精度,并使用有限的注释.
• 这种技术有可能提高数字病理学的诊断能力.