无监督乳腺组织学图像中癌症病变的自动斑块检测方法

科学领域:

• 医学图像分析 医学图像分析
• 计算病理学计算病理学
• 瘤学中的深度学习

背景情况:

• 早期发现乳腺癌病变至关重要,但由于组织的变异性和常规计算机辅助诊断 (CAD) 的局限性,这是具有挑战性的.
• 传统方法难以处理大尺寸的图像,重叠的物体,以及精确地定义病变边界,从而阻碍了有效的分析.

研究的目的:

• 开发和评估基于深度学习的斑块检测技术,用于自动识别无监督的人类乳腺组织学图像中隐藏的癌症病变.
• 通过克服传统方法的局限性,提高乳腺癌病变检测的准确性和效率.

主要方法:

• 数据增强和斑点正常化应用于组织学图像.
• 形态操作 (侵蚀,扩张,打开,距离转换) 和连接组件分析用于图像增强和细分.
• 一个深度学习循环神经网络 (RNN) 模型与主动轮方法集成,进行了斑块检测以识别病变及其边缘.

主要成果:

• 拟议的深度学习斑块检测方法在27,249个无监督,增强的人类乳腺癌组织学图像的数据集上进行了评估.
• 该技术显示出显著的评估结果,F1准确度得分为98.82%.
• 这种方法有效地检测出隐藏和难以接近的癌症病变及其边界.

结论:

• 开发的深度学习技术为在组织学图像中早期检测乳腺癌病变提供了有效的解决方案.
• 通过结合连接的组件和活跃的轮方法,该方法解决了斑块检测的局限性,改善了病变识别.
• 这种方法有望提高乳腺癌诊断中的病理分析的准确性和效率.