了解斑点分离 改善跨扫描器腺癌细分与联合多任务学习的跨扫描器腺癌细分

科学领域:

• 数字病理学数字病理学
• 计算病理学计算病理学
• 医疗图像分析 医学图像分析

背景情况:

• 在数字病理学中,由于组织准备和扫描器差异的图像变化或域移动会导致颜色不一致.
• 这些不一致性会对自动瘤细分算法的性能产生负面影响.

研究的目的:

• 在数字病理学中开发一种强大的瘤细分方法,克服图像变异性.
• 改善跨不同扫描仪和组织制备方法的细分模型的概括性.

主要方法:

• 开发了一种联合的多任务U-net架构,用于同时分段和分离污点.
• 该模型隔离了染色矩阵和染色密度,以使颜色变化正常化.
• 训练和验证是在多个扫描仪的组织病理图像上进行的.

主要成果:

• 拟议的模型在来自三个扫描仪的数据集上获得了0.898的Dice分数和0.816的IoU分数,超过了传统方法.
• 在来自六个不同的扫描仪的外部数据集上,该模型保持了强的性能,平均Dice得分为0.792和IoU为0.792.
• 染色分离技术有效地处理了颜色变化,提高了细分精度.

结论:

• 开发的具有斑点分离的联合多任务U-net显著提高了瘤细分的准确性和数字病理学的概括性.
• 这种方法解决了由扫描仪异质性引起的域转移的挑战.
• 这些发现支持开发更可靠和更一致的诊断工具,用于乳腺腺癌等疾病.