开放式主动学习用于从组织病理图像中检测核

科学领域:

• 计算病理学计算病理学
• 医学中的人工智能
• 用于医学成像的深度学习

背景情况:

• 核心检测的深度学习模型需要广泛的标记数据.
• 积极学习旨在减少注释的努力,但在开放的环境中与未知的类进行斗争.
• 在使用主动学习的开放环境中检测核是未经探索的领域.

研究的目的:

• 提出一个有效的积极学习框架,用于在开放的环境中检测核.
• 在积极学习中解决来自未知类的非目标样本的挑战.
• 为了减轻专家组织病理学家的注释负担.

主要方法:

• 提出了一个两阶段的积极学习框架,OpAL4ND.
• 阶段1:基于原型的查询策略使用辅助探测器从已知的类中选择纯候选样本.
• 第二阶段:目标探测器从候选集中查询不确定和代表性样本.

主要成果:

• OpAL4ND 提高了已知类别的精选样品的纯度.
• 与现有方法相比,该框架实现了更高的核检测精度.
• OpAL4ND显著降低了培训所需的注释负担.

结论:

• 拟议的OpAL4ND框架有效地处理开放式环境中的核检测.
• 这种方法通过减少注释,提高了组织病理学检查的效率和准确性.
• 在具有挑战性的医学成像场景中,OpAL4ND为应用主动学习提供了一个有前途的解决方案.