相关实验视频
Updated: Jul 20, 2026

10:25
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
Published on: November 11, 2022
8.4K
在使用卷积神经网络和变压器的全幻灯片成像上评估脏层细分
Muhao Liu1, Chenyang Qi2, Shunxing Bao3
1Department of Computer Science, Vanderbilt University, Nashville, TN, USA.
概括
深度学习模型,特别是基于变压器的模型,显示出对细分脏结构在整个幻灯片图像 (WSI) 中的希望. 这种自动化方法可以通过克服手动细分的局限性,显著帮助病理.
科学领域:
- 数字病理学数字病理学
- 脏病理学 脏病理学
- 医疗图像分析 医学图像分析
背景情况:
- 手动对层结构进行整体幻灯片图像 (WSI) 的细分是劳动密集型的,对于大规模的数字病理学来说是不切实际的.
- 在数字病理学中,正在出现深度学习方法,但很少有人应用到脏层结构细分.
研究的目的:
- 评估深度学习方法对脏层结构细分的可行性.
- 在这个任务中比较卷积神经网络 (CNN) 和变压器细分模型的性能.
主要方法:
- 雇员代表CNN (U-Net,PSPNet,DeepLabv3+) 和变压器 (Swin-Unet,医疗变压器,TransUNet) 的细分模型.
- 用小鼠脏WSIs对脏皮层细分的六种深度学习模型进行了定量评估.
- 作为主要评估指标,使用的欧盟平均交叉点 (mIoU).
主要成果:
- 基于变压器的模型在脏层细分方面通常优于基于CNN的模型.
- 评估的深度学习模型在欧盟 (mIoU) 指数中取得了不错的平均交叉点.
- 在皮结构的自动细分方面取得了令人信服的进展.
结论:
- 深度学习方法对于脏层结构细分是可行的和有效的.
- 与CNN模型相比,变压器模型在此特定任务中表现出更高的性能.
- 自动化细分有望赋予医疗专业人员在病理学方面更明智的见解.

