穆科萨:对组织病理学图像搜索的多语境相似性评估

科学领域:

• 数字病理学数字病理学
• 计算病理学计算病理学
• 组织病理学图像分析分析.

背景情况:

• 组织学诊断依赖于模式识别,但当前的数字病理学工具在捕捉多尺度组织形态方面存在局限性.
• 现有的图像检索框架经常使用单个放大补丁,阻碍了全面的分析.

研究的目的:

• 引入通过放大进行的进步区域图像序列 (PRISM) 和多语境相似性评估 (MuCoSA) 框架,以增强基因病理图像检索.
• 评估MuCoSA在捕获多放大背景信息的有效性,而无需对预先训练的特征编码器进行额外的微调.

主要方法:

• 开发了PRISM以在多个放大图像中表示组织形态.
• 实施了基于PRISM的检索框架MuCoSA,使用预先训练的编码器.
• 使用来自三星医疗中心和癌症基因组图谱的肺腺癌组织学构建了参考和查询数据集.
• 通过对所有放大度中对应的补丁的同位素相似度的平均值来计算相似度.

主要成果:

• 采用多倍放大方法的MuCoSA显著优于单倍放大方法,获得高F1分数,mAP@5和mMV@5.
• 例如,使用八次放大后的MuCoSA获得了0.8051的F1得分,明显高于基线 (p < 0.0001).
• 搜索结果与病理学家的形态解释一致,并通过混矩阵和视觉检查得到确认.

结论:

• MuCoSA提供了一个简单,高效和有效的框架,用于改进 histopathology 图像搜索,使用多放大 PRISM 无需微调.
• 这种方法可以显著提高病理学家的诊断准确性和一致性,减少观察者变化.