活跃轮连接组件分析细分方法的癌症病变在无监督的乳腺组织学图像图像连接组件分析

科学领域:

• 医疗成像医学成像
• 计算病理学计算病理学
• 人工智能的人工智能

背景情况:

• 在乳腺癌组织学中精确的细胞核细分对于早期诊断和计算机辅助方法至关重要.
• 重叠的核和组织变异性对传统的细分方法构成重大挑战.
• 现有的活跃轮方法在解决交叉对象和细分多重重叠的核方面扎.

研究的目的:

• 开发一种混合活性轮方法,用于在无监督的人类乳腺组织学图像中准确细分癌症病变.
• 在处理重叠的核中克服传统活跃轮方法的局限性.
• 通过提供精确的核细分来增强计算机辅助诊断.

主要方法:

• 开发了一种混合方法,将连接组件分析和主动轮结合起来.
• 用于强大的特征提取,应用了数据增强和斑点正常化.
• 形态操作 (侵蚀,扩张,距离转换) 和连接组件分析被用于预处理核物体.
• 一个深度学习循环神经网络 (RNN) 模型使用基于预处理数据的活跃轮对细分核进行了分析.

主要成果:

• 拟议的混合方法在15179张图像的增强数据集上获得了98.71%的高精度得分.
• 这种方法有效地解决了分割重叠的核的挑战.
• 证明了核细分精度的显著改善.

结论:

• 混合活性轮方法为乳腺癌组织学中的细胞核细分提供了强大的解决方案.
• 这种方法提高了计算机辅助诊断系统用于早期癌症检测的能力.
• 连接组件分析与活跃轮的整合有效地解决了细分复杂组织结构的局限性.