有效的注释启动用于毛囊淋巴瘤细胞识别
Adam Krawczyk1, Aleksandra Osowska-Kurczab2, Sławomir Pakuło3
1IDEAS NCBR, Chmielna 69, Warsaw, 00-801, Poland; Poznan University of Technology, Faculty of Computing and Telecommunications, Piotrowo 2, Poznań, 60-965, Poland.
Computer methods and programs in biomedicine
|April 6, 2025
概括
使用主动学习进行毛囊淋巴瘤诊断的启动,显著改善了少数群体类检测. 这种方法通过克服数据不平衡的挑战,提高了数字病理学的深度学习模型性能.
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
- 深度学习是一种深度学习.
背景情况:
- 数字病理学任务在很大程度上依赖于视觉细胞和组织模式评估.
- 为了深度学习,获得足够的注释是一个主要的瓶,因为成本,时间和标签不平衡.
- 这项研究涉及囊淋巴瘤诊断的注释成本降低.
研究的目的:
- 探索和比较数字病理学的注释启动解决方案.
- 为了降低成本和提高深度学习模型数据注释的效率.
- 为了提高毛囊淋巴瘤细胞的检测.
主要方法:
- 三种注释启动方法的比较:手动,主动学习和弱监督.
- 使用定制和基础模型开发用于细胞检测的混合架构.
- 使用了41个全幻灯片图像和12704个单元格注释的数据集.
主要成果:
- 活跃学习工作流增加了一倍的少数群体课堂样本.
- 最好的引导方法提高了检测算法的性能18个百分点.
- 实现了63%的宏观平均F1得分,精度和回忆.
结论:
- 在数字病理学中的不平衡数据集中,注释启动,特别是主动学习是有效的.
- 提出的方法可以提高深度学习模型的性能,用于卵泡淋巴瘤诊断.
- 这些发现适用于其他缺乏同质细胞群的数字病理学任务.
