LGDUnet:一个双分支网络,用于在H&E中进行弱监督的腺体细分,染色了他的病理图像
Shiqiang Han1, Zuxuan Wang1, Yanhong Ji2
1Key Laboratory of Atomic and Subatomic Structure and Quantum Control (Ministry of Education), Guangdong Basic Research Center of Excellence for Structure and Fundamental Interactions of Matter,School of Physics, South China Normal University, No. 378, West Waihuan Road, Guangzhou Higher Education Mega Center, Panyu District, Guangzhou City, Guangzhou, Guangdong, 510006, CHINA.
本研究介绍了LGDUnet,LGDUnet是一种监督较弱的方法,用于在H&E染色图像中对腺体结构进行细分. 它实现了与完全监督的方法相比较的高准确性,有助于癌症诊断.
科学领域:
- 数字病理学数字病理学
- 医学图像分析 医学图像分析
- 计算生物学 计算生物学
背景情况:
- 在H&E图像中的腺体细分对于诊断乳腺癌和结直肠癌至关重要.
- 完全监督的方法需要大量的标记数据,这在医学成像中很少.
研究的目的:
- 为腺体结构开发一种新的弱监督细分方法.
- 改善癌症诊断中的病变检测和病理评估.
主要方法:
- 拟议的LGDUnet模型具有全球和本地分支,用于全面的特征提取.
- 集成伪标签和一致性对比损失与随机噪声.
- 使用ResHorBlock,WSAB,双自注意转换 (DST) 和双注意转换器 (DAT) 进行增强的特征处理.
主要成果:
- LGDUnet的性能与最先进的完全监督的方法相美.
- 在基准数据集 (GlaS,TBC,CGD) 上表现卓越.
- 验证了对腺体细分的弱监督学习框架的有效性.
结论:
- 对于腺体细分,LGDUnet提供了一种有效的弱监督方法.
- 该模型的架构增强了特征提取和重建精度.
- 该方法为医学病理学中数据密集型监督学习提供了可行的替代方案.
相关概念视频
12:06Analyzing Mitochondrial Morphology Through Simulation Supervised Learning
11:02Quantifying Branching Density in Rat Mammary Gland Whole-mounts Using the Sholl Analysis Method
09:22Sectioning Mammary Gland Whole Mounts for Lesion Identification
Weak Base Solutions
Weak Acid Solutions
06:08Automatic Identification of Dendritic Branches and their Orientation


