射线辅助四倍关联网络用于计算乳腺癌中瘤-肌瘤比率

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 计算病理学计算病理学

背景情况:

• 瘤-肌瘤比率 (TSR) 是乳腺癌的一个关键预后指标.
• 现有的算法在精确的瘤床划分方面扎,原因是数据的限制和 stromal 相似性.
• 带有纤维性特征的组织形态对TSR计算提出了特殊的挑战.

研究的目的:

• 引入一个新的深度学习网络,RQA-Net,用于精确的TSR计算乳腺癌.
• 解决细分瘤细胞和瘤床的局限性,特别是在具有挑战性的组织病理样本.
• 为推进乳腺癌TSR分析开发一个新的数据集和方法.

主要方法:

• 拟议的RQA-Net使用瘤细胞和病床的四重细分分支.
• 引入了一个交叉任务减去模块 (CTS-模块) 以基于归属的瘤肌层定位.
• 开发了一种关联损失 (Aff-Loss) 和基于射线的假设测试 (RH-Testing) 来提高细分精度.
• 创建了癌症数据集 (CrD-Set) 带有像素智能的瘤床注释.

主要成果:

• RQA-Net准确地对瘤细胞和瘤床进行细分,从而实现精确的TSR计算.
• 实验结果显示,RQA-Net在现有和新 CrD-Set.Set 上的性能优于以前的方法.
• 提出的方法显著提高了TSR测定在乳腺癌分析的准确性.

结论:

• 在乳腺癌中,RQA-Net提供了一个可靠的解决方案,用于精确的TSR计算.
• 开发的CrD-Set和RQA-Net推进了用于癌症预后的计算病理学领域.
• 使用RQA-Net精确的TSR计算可以提高乳腺癌患者的预后预测.