在多组织组织学图像中同时对核进行细分和分类的关键点引导变压器

科学领域:

• 数字病理学数字病理学
• 计算生物学 计算生物学
• 医学图像分析 医学图像分析

背景情况:

• 精确的核细分和分类 (NSC) 对数字病理学和精密医学至关重要.
• 现有的方法在重叠的核,大量的类内变异性和复杂的临床数据方面扎.
• 基于变压器的方法显示出希望,但需要进一步研究NSC适应性.

研究的目的:

• 在数字病理学中开发用于同时核细分和分类 (NSC) 的先进方法.
• 为了应对诸如严重核重叠和临床病原体图像中的类内变异性等挑战.
• 提高核子检测和分类 (NDC) 的准确性和效率,用于生物标志物量化.

主要方法:

• 提出了PointFormer,一个关键点引导的三解码器转换器架构,用于统一的NSC.
• 将NSC解成一个多任务学习问题,其中包含核,边缘和类型的解码器.
• 重构核的检测和分类 (NDC) 作为一个语义关键点估计问题与注意力指导.

主要成果:

• 在三个不同的数据集上,PointFormer在流行方法上表现出优越的性能.
• 在具有挑战性的PanNuke数据集上获得了显著的70.6%bPQ得分.
• 该方法有效地处理重叠的核和很大的类内变异性.

结论:

• PointFormer为数字病理学中核细分和分类提供了强大的和有效的解决方案.
• 拟议的方法提高了准确的生物标志物量化和精确医学应用的潜力.
• 三解码器结构和重点指导策略显著提高了NSC在复杂数据集上的性能.