基于SGA-U-Net的威尔姆斯瘤组织病理辅助诊断,使用全幻灯片图像
Zhenzhen Wan1, Wenlong Fan1, Fang Liu2
1Key Laboratory of Digital Medical Engineering of Hebei Province, College of Electronic and Information Engineering, Hebei University, Baoding, China.
Microscopy research and technique
|August 13, 2025
概括
这项研究介绍了SGA-U-Net,这是一个先进的深度学习模型,用于细分儿童癌中的威尔姆斯瘤 (WT) 组件. 该模型提高了病理诊断的准确性,有助于对WT儿童的关键治疗决策.
科学领域:
- 医疗图像分析 医学图像分析
- 计算病理学计算病理学
- 儿科瘤学 儿科瘤学
背景情况:
- 威尔姆斯瘤 (WT) 是最常见的儿科癌.
- 精确的WT组织病理学分类对于患者的预后和治疗计划至关重要.
- 由于图像的复杂性和高分辨率,对WT组件的细分具有挑战性.
研究的目的:
- 开发一种用于细分威尔姆斯瘤组件的自动化方法.
- 为了提高WT病理组织学分类的准确性.
- 验证一种新的深度学习模型,用于WT诊断中的临床应用.
主要方法:
- 提出了一个新的SGA-U-Net模型,其中包含一个混合注意力模块,用于增强功能聚焦.
- 应用该模型对关键的WT组件进行细分:胚芽细胞,上皮细胞和层状细胞.
- 使用Dice系数来评估模型的性能,以获得细分精度.
主要成果:
- 获得了高的子分数:WT-胚芽细胞的0.95,WT-表皮的0.91和WT-树突的0.88.
- 证明了该模型在细粒度病理特征细分方面的有效性.
- 验证了该模型在WT组织病理学分类中临床应用的可行性.
结论:
- SGA-U-Net模型为WT组件细分提供了一个自动化和准确的解决方案.
- 这种方法有助于病理学家准确临床诊断和治疗儿童威尔姆斯瘤的治疗策略.
- 这项研究强调了深度学习在推进儿童癌症诊断方面的潜力.
更多相关视频
13:01Industrialized, Artificial Intelligence-guided Laser Microdissection for Microscaled Proteomic Analysis of the Tumor Microenvironment
Published on: June 3, 2022
3.9K
05:33Introduction of an Integrated Pathology Image Management, Artificial Intelligence, and Reporting System
Published on: July 11, 2025
244
