使用MONAI的全幻灯片图像对组织病变性质母细胞瘤进行自动细分
Ellena Spiess1, Dominik Müller2,3, Moritz Dinser4,5,6
1Faculty of Computer Science, Ulm University of Applied Sciences.
Studies in health technology and informatics
|May 17, 2025
概括
手动细分质母细胞瘤 (GBM) 是困难的. MONAI框架显示了在组织病理学图像中对GBM组织进行细分的前景,达到79%的Dice得分,与AutoML工具相比.
科学领域:
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
- 神经瘤学成像分析分析
背景情况:
- 组织病理图像的手动细分,特别是质母细胞瘤 (GBM),由于瘤异质性和模糊边界,是劳动密集的和容易出错的.
- 准确的细分对于量化分析和治疗规划至关重要.
- 现有的自动化方法可能会在全幻灯片图像 (WSI) 中与GBM组织的复杂性作斗争.
研究的目的:
- 评估人工智能医学开放网络 (MONAI) 框架对细分质母细胞瘤 (GBM) 组织的有效性.
- 将MONAI的性能与用于GBM细分的最先进的自动机器学习 (AutoML) 工具进行比较.
- 评估使用MONAI用于分析染有血素和乙素 (H&E) 的WSI的可行性.
主要方法:
- 利用MONAI框架从H&E染色的WSI细分GBM组织.
- 在MONAI生态系统中开发和训练细分模型.
- 使用内部数据集,将基于MONAI的细分与已建立的AutoML工具的性能进行了比较.
主要成果:
- 在MONAI框架下,GBM组织细分的Dice得分为79%.
- 在内部数据集上,MONAI的表现与最先进的AutoML工具相美.
- 结果表明MONAI在处理具有挑战性的GBM细分任务方面的能力.
结论:
- MONAI框架提供了一种可行且有效的解决方案,用于在组织病理图像中对质母细胞瘤 (GBM) 组织进行细分.
- MONAI 展示了与先进的AutoML工具相比具有竞争力的性能,这表明其在临床应用中的潜力.
- 使用MONAI对公共数据集进行进一步的研究是有必要的,以验证和扩展这些发现.
