在间接免疫光成像中的HEp-2细胞细分方法的基准测试 - 深度学习的标准模型

科学领域:

• 医学成像分析 医学成像分析
• 计算生物学 计算生物学
• 医疗保健中的人工智能

背景情况:

• 人类上皮细胞 (HEp-2) 的间接免疫光 (IIF) 染色对于自身免疫性疾病的诊断至关重要.
• 精确的HEp-2细胞细分对于准确的下游分类任务至关重要.
• 现有的细分方法各不相同,需要进行全面的绩效评估.

研究的目的:

• 系统地审查和比较各种HEp-2细胞细分技术.
• 评估卷积神经网络 (CNN) 和生成对抗网络 (GAN) 在HEp-2细胞细分方面的性能.
• 确定最佳策略,包括预训练和数据增强,以提高细分精度.

主要方法:

• 进行了系统的文献审查,确定了28篇相关论文.
• 在I3A数据集上使用冷和可调节编码器策略对比17个未预训练的和8个预训练的CNN模型.
• 进行了域特定预训练 (DSPT) 和数据增强 (DA-1,DA-2) 实验;与顶级CNN生成器评估了GAN (Pix2Pix).

主要成果:

• 美国有线电视新闻网 (CNN) 的模型,特别是针对特定领域的预训 (DSPT),显示出显著的性能改善,特别是在代表性不足的类别中.
• 数据增强策略在不同的模型架构上产生了不同的影响.
• 基于GAN的细分显示了视觉对齐的潜力,但受到数据限制和训练不稳定的影响,导致与CNN相比整体性能下降.

结论:

• 这项工作为HEp-2细胞细分的CNN,GAN和变压器模型提供了强大的基准.
• 域特定预训练 (DSPT) 是提高细分性能的关键策略,特别是在罕见的细胞类型中.
• 未来的研究应该探索组合方法,动态补丁采样和扩散模型,以进一步推进HEp-2细胞细分.