多任务协作辅助培训方法用于分组模糊类别宫癌细胞的分类

科学领域:

• 医疗成像医学成像
• 计算生物学 计算生物学
• 在瘤学瘤学.

背景情况:

• 宫癌对妇女健康构成重大威胁.
• 深度学习模型已经改善了宫细胞分类,但面临着局限性.
• 挑战包括类间相似性,类内变性 (单个细胞与集群) 和注释准确性.

研究的目的:

• 开发一种新的多任务协作框架,用于增强宫细胞分类.
• 克服阻碍当前基于深度学习的分类准确性的关键障碍.
• 改进子宫癌的自动检测和诊断.

主要方法:

• 提出了一个多任务协作框架与几个辅助分支机构.
• 分组细胞对比辅助分支,用于使用监督对比学习进行跨类特征学习.
• 多级别单元分类辅助分支用于5,3和2类任务,以限制类间关系.
• 图像重建辅助分支学习上下文特征并解决类内变化.
• 软标签蒸辅助分支,以提高注释的一致性和准确性.
• 辅助分支只在训练期间活跃,而不是推断.

主要成果:

• 拟议的框架在HSJCC,DSCC和SIPaKMeD数据集上取得了出色的表现.
• 有效地缓解了细胞类别相似性和类内变异性的问题.
• 与现有方法相比,在自动化宫细胞分类中证明了更高的准确性.
• 多任务方法成功解决了注释主观性和准确性问题.

结论:

• 新的多任务协作框架显著增强了自动化宫细胞分类.
• 集成的辅助分支有效地解决了宫细胞图像分析中固有的挑战.
• 这种方法为更准确,更可靠的宫癌查提供了有希望的解决方案.