重新构想癌症组织分类:基于多实例学习的多尺度框架,用于整个幻灯片图像分类
Zixuan Wu1, Haiyong He2, Xiushun Zhao3
1School of Automation, Guangdong University of Technology, Guangzhou, 510006, Guangdong, China.
Medical & biological engineering & computing
|March 15, 2025
概括
本研究介绍了癌症病理学中全幻灯片图像 (WSI) 分析的综合框架. 这种新的方法通过有效处理数据挑战和改进特征识别来提高瘤检测的准确性.
科学领域:
- 计算病理学计算病理学
- 数字病理学数字病理学
- 机器学习在瘤学中
背景情况:
- 在癌症病理学中,全幻灯片图像 (WSI) 分析面临诸多挑战,包括数据无效性,尺度变化和难以采集的样本.
- 现有的多级学习 (MIL) 框架很难同时解决这些问题.
研究的目的:
- 开发基于WSI的癌症病理诊断的综合识别框架,克服当前MIL方法的局限性.
- 提高数字病理学中瘤检测的准确性和效率.
主要方法:
- 提出了一个由三个组成部分组成的框架:用于代表性补丁识别的预处理选择方法,用于多实例学习的高效特征金字塔网络 (EFPN),用于多规模特征提取,以及用于增强歧视的相似焦点损失.
- EFPN通过构建一个多层次的特征金字塔来捕捉各种组织特征,模仿病理学家的诊断方法.
- 类似焦点损失通过专注于具有挑战性的样本和边界信息来完善分类.
主要成果:
- 实现了对二进制瘤分类的高测试准确率:CAMELYON16上的93.58%,一个私人数据集上的84.74%,另一个私人数据集上的99.91%.
- 在所有测试的数据集中,综合框架在与现有技术相比显示出更高的性能.
结论:
- 拟议的综合框架有效地解决了癌症病理学WSI分析的关键挑战.
- 这种新的方法显著提高了数字病理学中基于MIL的瘤分类的准确性和概括性.
更多相关视频
11:27Quantitative Multispectral Analysis Following Fluorescent Tissue Transplant for Visualization of Cell Origins, Types, and Interactions
Published on: September 22, 2013
9.3K
11:19Multimodal Hierarchical Imaging of Serial Sections for Finding Specific Cellular Targets within Large Volumes
Published on: March 20, 2018
10.3K
