VFM-SSL-BMADCC-框架:视觉基础模型和基于自我监督学习的自动化框架,用于在整片骨髓吸附涂抹上的差异细胞计数

科学领域:

• 血液学 血液学 血液学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 在骨髓吸附液 (BMA) 涂抹上手动差异细胞计数 (DCC) 是至关重要的,但耗时且依赖于经验.
• 目前用于细胞检测的深度学习模型缺乏概括性,并且需要对新任务或中心进行广泛的数据注释.

研究的目的:

• 开发一个全幻灯片骨髓吸血涂抹差异细胞计数 (BMADCC) 的自动化框架,克服手工方法和现有的AI模型的局限性.
• 增强BMADCC的AI模型在不同医疗机构和疾病类型的泛化能力.

主要方法:

• 设计了VFM-SSL-BMADCC框架,使用Vision Foundation模型SAM进行细胞细分和面具自动编码器 (MAE)进行特征提取.
• 整合了TextureUnet和TCNet,用于对特定区域进行细分,并对DCCs分类合适的.
• 培训和验证了40个WSI的框架,并测试了两个不同医院的18个额外的WSI的泛化.

主要成果:

• 在感兴趣区域 (ROI) 分段 (IoU 46.19%) 和感兴趣区域 (TOI) 分类 (90.45%) 中实现了高准确度.
• 证明了出色的细胞细分 (RECALL75 99.01%) 和分类 (77.92%) 的性能.
• 在不同中心之间展示了自动化DCC结果和手动分析之间的高度一致性.

结论:

• 该VFM-SSL-BMADCC框架有效地自动化了骨髓吸附涂抹差异细胞计数.
• 该框架减少了对大型注释数据集的依赖,并在医疗中心和疾病中展示了强大的泛化.
• 这种自动化方法在临床实践中为BMADCC提供了可靠和高效的解决方案.