临床SegNet:朝着可靠和增强的组织病理学查
Boyang Yu1, Hannah Markham2,3, Karwan Moutasim2
1School of Electronics and Computer Science (ECS), University of Southampton, Southampton SO17 1BJ, UK.
Bioengineering (Basel, Switzerland)
|November 27, 2025
概括
ClinSegNet通过优先考虑病变检测回忆来增强组织病理学查,这对于减少临床环境中错过诊断至关重要. 这种框架可以提高小或模糊的病变的准确性.
科学领域:
- 数字病理学数字病理学
- 医疗图像分析 医学图像分析
- 计算瘤学是一种计算瘤学.
背景情况:
- 组织病理图像细分方法与小病变和不清楚的边界作斗争,导致错过检测.
- 在临床环境中错误诊断的后果比错误阳性结果更严重.
研究的目的:
- 开发ClinSegNet,一个以回忆为导向,以人为中心的框架,用于可靠的组织病理学查.
- 为了提高对细小病变和在组织病理图像中模糊边界的敏感性.
主要方法:
- ClinSegNet使用一个复合优化策略 (HistoLoss),平衡稳定性,边界精细化和回忆.
- 不确定性驱动的精炼机制针对高不确定性情况进行高效的微调.
- 一个临床数据处理管道从IHC到H&E映射获得了像素级的注释,用于有限数据的培训.
主要成果:
- ClinSegNet实现了高回忆得分 (0.8803-0.8917),通过循环中的人 (HITL) 改进 (0.8983-0.9053) 进一步改进.
- 该框架保持了具有竞争力的Dice和IoU分数,证明了有效的损伤捕获.
- 废弃性研究证实了该框架在检测小或复杂的病变方面的优势.
结论:
- ClinSegNet提供了一个以临床为导向,重点召回的框架,以提高病变覆盖率并减少错误诊断.
- 该研究为未来的人在循环系统提供了方法基础,并为利用有限的临床数据提供了管道.
