为增强查看和AI诊断生成2.5D病理学

科学领域:

• 数字病理学数字病理学
• 计算解剖学的计算解剖学
• 医学成像分析 医学成像分析

背景情况:

• 活检样本的组织学分析包括在多个幻灯片上评估复杂的3D组织结构,这一过程由于手动变大和放大而耗时.
• 当前的深度学习模型经常分析2D截面,未能捕获生物检查样本固有的关键3D空间信息.

研究的目的:

• 开发一种用于从连续组织切片中构建2.5D活检核的新框架.
• 为病理学家提供增强的可视化,并为高级深度学习模型 (如视频转换器) 提供合适的输入,以捕捉深度范围的空间依赖.

主要方法:

• 开发了一种新的形态维护对齐框架,以提取和共同对齐连续组织部分,创建2.5D活检核心.
• 该框架用于为大量前列腺,乳腺和脏活检构建2.5D核心.
• 下游任务评估包括训练基于深度学习的癌症分级模型,并使用2.5D核心进行病理学家读者研究.

主要成果:

• 该框架成功地从超过10,000个前列腺活检以及乳腺和脏活检中构建了2.5D活检核.
• 2.5D核心在下游任务中显示出实用性,包括开发深度学习癌症分级模型.
• 病理学家阅读器研究表明,使用2.5D核心表示,可以提高查看和分析的潜力.

结论:

• 开发的框架有效地产生2.5D活检核,保存组织形态,并使得3D空间信息的捕获.
• 这些2.5D核心为病理学家的可视化和数字病理学的先进计算分析提供了宝贵的工具.
• 这种方法代表了利用3D组织信息来提高诊断准确性和机器学习在组织病理学中的应用的重大进步.