重新思考化检测:朝着多样化的数据和特征表示,以便更好地进行域泛化
Jiatai Lin1, Hao Wang2, Danyi Li3
1Guangdong Cardiovascular Institute, Guangdong Provincial People's Hospital, Guangdong Academy of Sciences, Guangzhou 510080, China; Department of Radiology, Guangdong Provincial People's Hospital (Guangdong Academy of Medical Sciences), Southern Medical University, Guangzhou 510080, China; Guangdong Provincial Key Laboratory of Artificial Intelligence in Medical Image Analysis and Application, Guangzhou 510080, China.
Artificial intelligence in medicine
|March 6, 2025
概括
这项研究介绍了MitDet,这是一种用于在计算病理学中检测线粒分裂的新型框架. 通过平衡数据和特征多样性,MitDet提高了概括性,优于现有的最先进方法.
科学领域:
- 计算病理学计算病理学
- 数字病理学数字病理学
- 医疗图像分析 医学图像分析
背景情况:
- 分解检测在计算病理学中至关重要,但由于细胞异质性而具有挑战性.
- 当前的方法往往会增加模型的复杂性,冒着过度拟合的风险,限制了概括性.
- 在现有的方法中,生物知识和特征多样性往往被忽视.
研究的目的:
- 通过处理数据和特征多样性,开发一个可概括的线粒分裂检测框架.
- 提高在计算病理学中线粒分裂检测模型的稳定性和适用性.
- 系统地调查形态外观和数据平衡对检测性能的影响.
主要方法:
- 提出了一种新的可通用框架 (MitDet) 来检测线粒分裂.
- 为数据多样性实施了以多样性为指导的样本平衡 (DGSB).
- 使用了类间和类内特征多样性保护模块 (InCDP) 来实现特征多样性.
- 引入了Stain Enhancement (SE) 模块,以提高相关领域的多样性.
主要成果:
- 在多重线粒发生检测数据集上,MitDet显著超过了最先进的 (SOTA) 方法.
- 该模型在内部和隐形测试集上都表现出卓越的概括性.
- 废弃性研究证实了平衡数据和特征多样性的有效性.
结论:
- 拟议的MitDet框架实现了SOTA在线检测方面的性能.
- 平衡数据和特征多样性是提高计算病理学概括性的关键.
- 这项工作为未来的研究提供了新的视角,用于线粒体突变检测和计算病理学.
