OCELOT 2023:通过细胞-组织相互作用挑战细胞检测

科学领域:

• 数字病理学数字病理学
• 计算生物学是一种计算生物学.
• 医学中的人工智能

背景情况:

• 病理学家在全幻灯片图像上使用不同的放大值进行诊断,评估组织形态和细胞细节.
• 目前的深度学习细胞检测模型缺乏整合多尺度信息的能力,并且无法理解不同放大度的结构之间的相互依赖语义.
• 该领域的一个关键局限性是缺乏具有多尺度,重叠的细胞和组织注释的数据集.

研究的目的:

• 验证这一假设,即理解细胞-组织相互作用对于在数字病理学中实现人类水平的表现至关重要.
• 通过提供标准化的挑战和数据集,加快在多尺度细胞和组织分析方面的研究.
• 促进社区参与,并收集有关病理图像分析的先进深度学习方法的见解.

主要方法:

• 策划了OCELOT 2023挑战数据集,其中包括来自六个器官的重叠细胞检测和组织细分注释.
• 数据来源于癌症基因组图谱 (TCGA) 的全幻灯片图像,用血素和色素染色.
• 数据集包括306个整张幻灯片图像中的673个注释对,分为培训,验证和测试子集.

主要成果:

• 参与模型在理解细胞-组织关系方面表现出显著的改善.
• 与基线单细胞模型相比,表现最好的模型在测试组中的F1得分增加了7.99.
• 这些结果突出了通过结合多尺度语义和细胞-组织相互作用来实现的显著性能增长.

结论:

• 整合多层次语义和细胞-组织关系对于推进数字病理学的深度学习至关重要.
• 通过OCELOT 2023挑战,成功推动了细胞和组织相互作用建模方面的创新.
• 未来的研究应该专注于开发可以有效利用多规模上下文信息以提供更准确的诊断支持的模型.