增强的HoVerNet优化,用于在扩散大B细胞淋巴瘤中精确的核细分
Gei Ki Tang1, Chee Chin Lim1,2, Faezahtul Arbaeyah Hussain3,4
1Faculty of Electronic Engineering and Technology, Universiti Malaysia Perlis, Arau 02600, Perlis, Malaysia.
Diagnostics (Basel, Switzerland)
|August 14, 2025
概括
在CMYC染色图像中,HoVerNet准确地细分和分类分散型大B细胞淋巴瘤 (DLBCL) 核. 集成到GUI中,它提高了诊断效率和实时可视化,以改善患者护理.
科学领域:
- 计算病理学计算病理学
- 数字组织病理学 数字组织病理学
- 人工智能在瘤学中的应用
背景情况:
- 扩散性大B细胞淋巴瘤 (DLBCL) 是最常见的非霍奇金淋巴瘤,需要精确的细胞核分析进行诊断和分期.
- 在整个幻灯片图像 (WSIs) 中精确的细分和核的分类对于有效的DLBCL评估至关重要.
- 当前的诊断方法可能是劳动密集型和主观的,突出了对自动化解决方案的需求.
研究的目的:
- 评估HoVerNet深度学习模型的性能,用于CMYC染色DLBCLWSIs中的核心细分和分类.
- 评估将HoVerNet集成到一个用户友好的图形用户界面 (GUI) 中,以提供诊断支持.
- 确定模型在处理复杂核形态和重叠结构方面的有效性.
主要方法:
- 使用了122个CMYC染色的WSI的数据集,经历了染色规范化和补丁提取.
- 用HoVerNet多分支神经网络进行核细分和分类任务.
- 模型性能使用准确度,精度,回忆和F1分数来量化,并开发了一个用于实际应用的GUI.
主要成果:
- 霍弗Net的验证准确度为82.5%,精度为85.3%,回忆率为82.6%,F1得分为83.9%.
- 该模型在区分重叠和形态复杂的核中表现出强大的性能.
- 集成的GUI促进了实时可视化,细胞计数和严重性评估,提高了诊断工作流的效率.
结论:
- 与集成的GUI相结合,HoVerNet为简化DLBCL诊断提供了一个有前途的进步.
- 该系统提供精确的核细分和实时可视化,增强了他的病理学分析.
- 未来的研究将探索视觉转换器和额外的染色方法,以扩大临床适用性和通用性.
