HistoMSC:密度和拓分析用于基于人工智能的视觉注释的组织病理学全幻灯片图像
Zahoor Ahmad1, Khaled Al-Thelaya1, Mahmood Alzubaidi1
1Division of Information and Computing Technology, College of Science and Engineering, Hamad Bin Khalifa University, Qatar Foundation, Doha, Qatar.
Computers in biology and medicine
|March 22, 2025
概括
本研究介绍了一种自动化框架,用于通过深度学习对全幻灯片图像进行标注. 该系统精确地定位和分类细胞核,帮助病理学家进行图像分析.
科学领域:
- 数字病理学数字病理学
- 计算生物学是一种计算生物学.
- 医疗图像分析 医学图像分析
背景情况:
- 组织病理学全片成像 (WSI) 产生了需要高效分析的大型数据集.
- 在WSI中对细胞核的自动注释对于准确的诊断和研究至关重要.
- 目前的方法往往与稀疏的细胞分布和着色的变化作斗争.
研究的目的:
- 开发一个端到端的框架,用于对组织病理学全片图像的自动视觉注释.
- 为了提高细胞核定位和分类的精度.
- 提供可扩展的可视化,从单个核到宏观尺度模式.
主要方法:
- 集成深度学习模型,包括U-Net和ResNet-50用于核心本地化.
- 利用YOLO检测架构与增强检测的生成方法.
- 使用核密度估计来聚合稀疏核的注释.
- 应用莫尔斯-斯梅尔理论对空间相互作用的抽象图形生成.
主要成果:
- 在整个幻灯片上实现了细胞核的精确定位和分类.
- 使用规范化技术证明了对颜色变化的稳定性.
- 生成可扩展的可视化,从核层面到宏观规模的表示.
- 成功帮助病理学家分析瘤病例.
结论:
- 拟议的框架提供了一个强大的和有用的工具,用于他的病理图像分析.
- 自动注释有助于病理学家解释整个幻灯片图像.
- 该方法有效地处理稀疏核分布和各种图像条件.
