多尺度多部位脏微血管结构细分用于脏病理中的全幻灯片成像

科学领域:

• 脏病理学 脏病理学
• 数字病理学数字病理学
• 医疗图像分析 医学图像分析

背景情况:

• 用全片图像 (WSI) 进行微血管结构的手动细分对于大型数据集来说是费力和不切实际的.
• 现有的深度学习方法用于自动细分,往往仅限于单个站点和单个规模的培训数据.
• 微血管结构 (动脉,静脉,毛细血管) 的准确细分对于病理学至关重要.

研究的目的:

• 开发一种新的深度学习方法,Omni-Seg,用于精确有效地对脏微血管结构进行细分.
• 为了解决当前细分模型中单个地点,单个规模的培训数据的局限性.
• 用部分标记的图像来训练一个强大的细分网络.

主要方法:

• 开发了Omni-Seg,这是一个单一的动态网络,在多个站点和多个规模的数据上训练.
• 使用部分标记图像,每张图像只标记一个组织类型,用于培训.
• 利用来自HuBMAP和NEPTUNE的数据集,跨越各种放大 (40×,20×,10×,5×).

主要成果:

• 与现有方法相比,Omni-Seg在细分微血管结构方面表现优越.
• 实现了高精度,通过子相似系数 (DSC) 和交叉与联盟 (IoU) 度量验证.
• 在多样化,多站点和多规模数据上成功训练了单个深度网络.

结论:

• Omni-Seg提供了一个强大的计算工具,用于对脏微血管结构进行定量分析.
• 该方法克服了传统和当前深度学习细分方法的局限性.
• 能够在脏研究和临床实践中进行大规模的数字病理分析.