基于深度学习的组织病理图像的污点规范化:一篇评论

科学领域:

• 数字病理学数字病理学
• 计算生物学 计算生物学
• 医疗成像医学成像

背景情况:

• 血素和欧 (H&E) 染色对于癌症诊断至关重要.
• 在H&E图像中的颜色变化阻碍了下游算法性能.
• 斑点正常化对于标准化组织病理图像数据至关重要.

研究的目的:

• 审查基于深度学习的斑点规范化的最新进展.
• 提供对评估指标和数据集的全面概述.
• 分析监督,无监督和自我监督的深度学习方法.

主要方法:

• 对115篇关于深度学习的出版物的系统审查.
• 方法按核心技术进行分类.
• 对审查方法的贡献和局限性的分析.

主要成果:

• 深度学习方法提供了强大且独立于模板的污点规范化.
• 各种监督,无监督和自我监督的技术都显示出有希望的结果.
• 已建立的评估指标和数据集有助于进行方法比较.

结论:

• 深度学习斑点正常化对于可靠的癌症诊断至关重要.
• 需要进一步的研究来应对当前的挑战,并推进该领域.
• 这一评论有助于研究人员理解和开发智能癌症诊断工具.