一个高效的域知识引导的语义预测框架,用于病理亚型,基于有限注释的放射图像

科学领域:

• 医疗成像医学成像
• 深度学习 (Deep Learning) 是一种深度学习.
• 计算病理学计算病理学

背景情况:

• 从放射图像中准确预测病理亚型对于临床治疗选择至关重要.
• 传统的深度学习 (DL) 模型由于工作量和侵入性分析而与有限的病理标签作斗争.
• 使用主动学习 (AL) 和半监督学习 (SSL) 的现有方法在捕获放射图像中复杂的语义特征方面面临挑战.

研究的目的:

• 开发一个高效的领域知识导向的语义预测框架,用于使用有限注释进行病理亚型分类.
• 通过将领域知识与AL和SSL集成,提高放射图像中病理亚型预测的准确性.

主要方法:

• 开发了一个整合域知识引导AL和SSL的框架.
• 关键模块包括:区分空间语义特征提取,明确的标志导向注意力和隐含的放射学导向双任务纠.
• 该框架利用有限的病理注释和临床领域知识来增强特征提取和数据聚合.

主要成果:

• 拟议的框架有效地从有限注释的放射图像中预测病态亚型.
• 在胰腺神经内分泌瘤 (pNENs) 和膀癌 (BCa) 肌肉侵入性病理分级的实验显示出显著的改善.
• 该方法在两个临床任务上始终超过了最先进的方法.

结论:

• 域知识引导的语义预测框架提供了一种有效的解决方案,用于在有限的数据基础上对病理亚型的预测.
• 这种方法增强了有效的病变特征的捕获,并减轻了过拟合风险.
• 该框架在临床应用中表现出卓越的性能,为提高诊断准确度铺平了道路.