通过使用Faster R-CNN和染色技术在染色基因病理图像中自动检测线粒分裂
Jesús García-Salmerón1, José Manuel García1, Gregorio Bernabé1
1Faculty of Computer Science, Computer Engineering Department, University of Murcia, Murcia, Spain, https://www.um.es/web/ditec/.
Journal of integrative bioinformatics
|June 10, 2025
概括
使用像Faster R-CNN这样的深度学习 (DL) 模型来自动检测线粒分裂,可以准确地识别在组织病理学图像中的癌细胞. 这种方法克服了手动计数的局限性,改进了诊断工具.
科学领域:
- 数字病理学数字病理学
- 计算瘤学是一种计算瘤学.
- 医学中的人工智能
背景情况:
- 准确的线粒分裂检测对于癌症诊断和治疗计划至关重要.
- 病理学家手动计数线粒体数字是劳动密集型的,容易出现错误.
- 深度学习 (DL) 提供了一个有前途的途径,用于在组织病理图像中自动检测线粒分裂.
研究的目的:
- 调查DL对象检测模型在染色基因病理图像中自动检测线粒分裂的有效性.
- 为了应对 histopathological 图像分析中域移动的挑战,使用染色增大和正常化.
- 为了比较两个阶段更快的R-CNN模型与一个阶段的RetinaNet模型的性能.
主要方法:
- 开发和实施一个两阶段更快的R-CNN物体检测模型.
- 涂料增色和规范化技术的应用,以减轻域移动.
- 使用MIDOG++数据集进行实验验证,这是最近用于检测线粒分裂的基准.
- 与以前开发的单阶段RetinaNet框架进行比较.
主要成果:
- 采用染色技术的Faster R-CNN模型实现了高度准确和可靠的线粒分裂检测.
- 在各种场景和瘤类型中观察到有利的F1分数,验证了DL模型的有效性.
- RetinaNet模型显示了更快的处理速度,同时保持了竞争力的性能.
- 这项研究强调了解决领域转移和线粒体数字计数对于强大的诊断工具的关键作用.
结论:
- 深度学习对象检测模型,特别是带有染色正常化的快速R-CNN,显著提高了基因病理学中自动化线粒分裂检测的准确性.
- 这些发现支持开发更可靠,更有效的癌症诊断计算工具.
- 有效地处理域移动对于自动化病理系统的通用性和稳定性至关重要.
