临床SegAI:一个后处理框架,用于卓越的组织病理学细分精度,放射学特征保存和定量分析.
Prem Bhajaj1, Saiprakash Nalubolu1, Bhargavram Gurram1
1School of Computing, Watson College of Engineering & Applied Science, Binghamton University, Binghamton, NY, 13902, USA.
Computers in biology and medicine
|November 12, 2025
概括
ClinSegAI 完善了数字病理学中的细胞细分,改进了放射学分析. 该工具提高了精度,以便更好地将组织病理学与其他数据整合在一起,帮助预后模型和治疗预测.
科学领域:
- 计算病理学计算病理学
- 数字病理学数字病理学
- 医疗图像分析 医学图像分析
背景情况:
- 精确的细胞细分对于数字病理学中的放射学和多原子分析至关重要.
- 细分的基础模型通常需要对临床应用进行改进.
研究的目的:
- 介绍ClinSegAI,这是一个后处理工具,可以从BiomedParse基础模型中改进细胞细分输出.
- 为了保持H&E的放射性特征完整性,染色了整个幻灯片图像.
主要方法:
- ClinSegAI分析整个幻灯片图像,预处理它们,并使用BiomedParse进行初始核细分.
- 精细化算法纠正细分边界,合并或分割区域以保持形态忠实性.
- 评估涉及肺癌和其他癌症病理幻灯片,比较ClinSegAI与六种替代细分方法.
主要成果:
- ClinSegAI获得了最高的平均子相似系数 (DSC),接近0.80.
- 它显著减少了细分错误,证明了最低的95百分点豪斯多夫距离 (HD95) 和平均对称表面距离 (ASSD).
- 与基本真相相比,精细的细分更好地保留了放射性特征分布 (形状,强度,纹理).
结论:
- 在计算病理学中,ClinSegAI提高了细分精度和放射学可靠性.
- 改进的细分可以使组织病理学与其他模式更可靠地集成,从而改善预后模型和治疗预测.
- 该工具展示了针对基础视觉变压器模型的有针对性的后处理的价值.
