技术说明:组织截面厚度对使用深度学习网络进行细胞分类的准确性的影响
Ida Skovgaard Christiansen1, Rasmus Hartvig1, Thomas Hartvig Lindkær Jensen1,2
1Department of Pathology, Copenhagen University Hospital, Rigshospitalet, Copenhagen, Denmark.
Journal of pathology informatics
|May 9, 2025
概括
薄组织学微切片,特别是自动化微切片的微切片,提高了深度学习细胞分类的准确性. 这项研究量化了形态差异,以优化组织病理学细胞识别.
科学领域:
- 组织病理学 组织病理学
- 数字病理学数字病理学
- 机器学习在医学中的应用
背景情况:
- 开发用于常规组织病理学的自动细胞分类系统对于诊断效率至关重要.
- 深度学习 (DL) 模型需要高质量的输入数据,微截面厚度可以显著影响性能.
研究的目的:
- 为了确定基于DL的细胞分类系统的最佳组织学微切片厚度.
- 为了分析细胞的形态变异,由于不同的微切割厚度.
主要方法:
- 肝脏组织截面以5个手动厚度和1个自动 (DS) 厚度准备.
- 肝细胞和非肝细胞使用DL卷积神经网络 (ResNet) 进行注释和分类.
- 用随机森林来量化和分析形态特征,以了解与厚度相关的差异.
主要成果:
- 自动微断层 (DS) 截面以最少的训练细胞产生了最高的验证准确性.
- 较薄的截面通常显示出更高的分类效率的趋势.
- 核颗粒度的变化是区分细胞类型的关键特征,这些变化在DS和较薄的部分更为明显.
结论:
- 由自动化微切片 (DS) 生产的微切片和通常较薄的切片是开发的细胞分类系统的最佳选择.
- 优化微切片厚度可以提高DL基组织病理学分析的准确性和效率.
