从基因病理图像进行细胞核细分和分类,用于终端平台的联合学习
Anjir Ahmed Chowdhury1,2, S M Hasan Mahmud3,2, Md Palash Uddin4,5
1Department of Computer Science, University of Houston, Houston, Texas, United States of America.
PloS one
|July 10, 2025
概括
这项研究引入了一个深度学习框架,用于在组织学图像中自动细分和分类细胞核,从而提高癌症检测的准确性. 这种高效,保护隐私的模型表现出高性能,有助于临床诊断.
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:
- 精确的细胞核细分和组织学图像中的分类对于癌症检测至关重要.
- 手动方法耗时且劳动密集,需要自动化解决方案.
- 挑战包括颜色不一致,模糊的边界,以及在组织病理学图像中重叠的核.
研究的目的:
- 开发和评估一个深度学习框架,以加强细胞核细分和分类在组织病理学图像中.
- 通过核分析提高自动化癌症诊断的准确性和效率.
- 确保数据隐私,并使边缘设备部署成为可能.
主要方法:
- 一个两阶段的深度学习框架,将SegNet用于细分和DenseNet121用于分类.
- 使用超带方法进行超参数优化.
- 联邦学习 (FedAvg) 为分散的,保护隐私的培训和完整整数量化,以实现高效的部署.
主要成果:
- 细分网实现了91.4%的平均像素精度 (MPA),63%的平均交叉点 (MIoU) 和90.6%的频率加权 IoU (FWIoU).
- DenseNet121分类器实现了83%的准确性和67%的马修斯相关系数 (MCC),表现优于最先进的模型.
- 在量化后,模型的性能增长分别为1.3%和1.0%,证明了效率.
结论:
- 拟议的深度学习框架准确高效地细分和分类细胞核在组织病理学图像中.
- 维护隐私和量化模型适合于癌症诊断中的现实世界临床部署.
- 这种方法提供了一个可扩展和自动化的解决方案,以提高数字病理学的癌症检测.
