主动SSF:一个主动学习引导的自我监督的框架,用于长尾巨核细胞分类

科学领域:

• 医学图像分析 医学图像分析
• 计算病理学计算病理学
• 血液学 血液学 血液学

背景情况:

• 准确的巨核细胞分类对于诊断骨髓质疏松综合征至关重要.
• 自主监督学习显示出潜力,但在医学成像方面面临挑战,包括背景噪音,不平衡的数据和复杂的细胞形态.
• 现有的方法难以应对高的类内变异性和罕见的巨核细胞亚型.

研究的目的:

• 开发和验证ActiveSSF框架,以改进巨核细胞分类.
• 解决自我监督学习在分析复杂的医学图像方面的局限性.
• 通过精确的巨核细胞鉴定,提高骨髓质疏松综合征的诊断准确度.

主要方法:

• 提出了ActiveSSF框架,将主动学习与自我监督的预培训相结合.
• 使用高斯过,K-means聚类和HSV分析,并具有临床先验知识,用于感兴趣的区域提取.
• 实施了适应性样本选择机制,以处理类不平衡和对形态复杂性的原型聚类.

主要成果:

• 在临床巨核细胞数据集上,ActiveSSF实现了最先进的性能.
• 显著改善了罕见巨核细胞亚型的识别准确度.
• 该框架有效地缓解了背景噪声,数据不平衡和形态变异带来的挑战.

结论:

• 在具有挑战性的医学成像场景中,ActiveSSF为巨核细胞分类提供了强大的解决方案.
• 该框架具有显著的实用潜力,用于诊断骨髓质疏松综合征的临床应用.
• 积极学习和自我监督预训的整合提高了血液学疾病的诊断能力.