规模适应性可行瘤负担估计通过组织病理学显微镜图像细分图像

科学领域:

• 数字病理学数字病理学
• 计算机视觉 计算机视觉 计算机视觉
• 医疗图像分析 医学图像分析

背景情况:

• 在全幻灯片图像中精确的癌症细分对于瘤负担估计和癌症评估至关重要.
• 挑战包括模糊的边界和小,分离的瘤区域,复杂的细分.
• 多个尺度的特征有利于解决视觉任务中的这些复杂性.

研究的目的:

• 开发一种结构意识,规模适应性特征选择方法,以实现高效准确的癌症细分.
• 改进模糊,非刚性边界的表示,并增强小瘤区域的细分.
• 评估拟议的方法与肝脏和结直肠癌细分的最先进技术相比.

主要方法:

• 使用了一个带有编码器-解码器架构的细分网络.
• 开发了一个适应规模的模块,以选择强大的特征用于边界表示.
• 引入了一个结构相似度指标,以提高组织结构意识和小区域细分.
• 注意力机制和选择性核心卷曲被纳入用于比较分析.

主要成果:

• 拟议的结构意识,规模适应性网络在肝癌细分方面取得了卓越的表现,超过了PAIP 2019挑战的最高结果.
• 对于结直肠癌细分,尺度适应模块改善了基线网络的性能或超过了高级注意力机制.
• 该方法证明了癌症细分任务中的效率和准确性之间的有利权衡.

结论:

• 开发的结构意识,规模适应性网络提供了一个有效的解决方案,用于在整个幻灯片图像中准确和高效的癌症细分.
• 适应规模的模块对于处理诸如模糊边界和小瘤区域等挑战特别有价值.
• 这种方法显示了提高数字病理学诊断准确性的巨大潜力.