多尺度深度学习量化乳腺癌基因病理学图像中的Ki67指数

科学领域:

• 计算病理学计算病理学
• 人工智能在瘤学中的应用
• 生物医学图像分析

背景情况:

• Ki67增殖指数 (PI) 对于乳腺癌预后和化疗反应预测至关重要.
• 手动PI估计受到主观性,效率低下和复制性差的影响.
• 当前的深度学习方法难以整合本地形态和全球扩散数据,特别是图像文物.

研究的目的:

• 开发Kpi-Net,一个多尺度的深度学习框架,用于精确量化乳腺癌病理图像中的Ki67指数.
• 为了应对复杂的背景,着色变化,异质性和低分辨率图像中的噪声方面的挑战.

主要方法:

• 引入了剩余扩展多尺度模块 (RDMS模块),具有扩展的卷积和剩余连接,用于本地/全球信息捕获.
• 集成了一个变压器块来增强全球建模和减少检测错误.
• 开发了高层选-卷积块注意力模块特征金字塔网络 (HS-CBAM-FPN) 以实现多层次的特征集成.
• 应用了分水算法来改进细胞细分和改进PI计算.

主要成果:

• 与现有的领先方法相比,Kpi-Net表现出优越的性能.
• 在F1得分和根平均平方误差 (RMSE) 中实现了改进的指标.
• 展示了精确Ki67指数计算和精确细胞检测的潜力.

结论:

• 在乳腺癌中,Kpi-Net提供了一种强大而准确的解决方案,用于基67指数量化.
• 为改善乳腺癌诊断和治疗决策提供了可靠的工具.
• 突出了先进的深度学习架构在计算病理学的潜力.