计算病理与拓签名和视觉文字编码的计算病理

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:

• 组织分析对于诊断疾病至关重要,但依赖于病理学家的劳动密集型手动评估.
• 当前的计算病理学模型难以捕捉本地和全球结构模式及其空间组织.
• 需要客观的计算框架来描述显微镜图像中的形态模式.

研究的目的:

• 开发TopoBoW,一个新的计算框架,集成拓数据分析 (TDA) 和视觉词包 (BoVW),用于客观的形态模式表征.
• 将全球结构特征 (来自TDA的贝蒂曲线) 与本地纹理模式 (来自BoVW的SURF描述符) 结合起来,以进行增强的图像分析.
• 训练一个以注意力引导的多层感知子 (MLP),使用TopoBoW特征来区分健康和病态的肌肉组织.

主要方法:

• 通过整合全球结构特征的TDA和本地纹理特征的BoVW来开发TopoBoW.
• 使用来自持久同质 (TDA) 和带有组图编码 (BoVW) 的SURF描述符的Betti曲线.
• 雇佣了一个以注意力为导向的MLP,接受了综合特征的培训,并将性能与基线模型 (TDA,HOG与XGBoost,基于注意力的MLP) 进行了比较.

主要成果:

• 在肌肉组织分类方面,TopoBoW展示了最先进的性能.
• 该框架在关键分类指标 (包括精度,F1分数和AUC) 上显著超过了所有基线模型.
• 视觉化证实了TopoBoW的特征载体在健康和患病的组织类别中的区分能力.

结论:

• TopoBoW提供了一个可解释的,基于特征的计算框架,用于客观的病理分析.
• 全球结构和局部纹理信息的整合增强了形态模式的表征.
• TopoBoW有可能支持病理学研究,教育和交互式诊断工作流.