3SGAN:半监督和多任务GAN用于斑点规范化和细胞核细分的组织病理图像
Yifan Chen1, Zhiruo Yang1, Guoqing Wu1
1College of Biomedical Engineering, Fudan University, Shanghai 200438, China.
Cancers
|March 14, 2026
概括
这项研究介绍了3SGAN,这是一种用于数字病理学的新框架,可以增强核细分并使染色变异性正常化. 它以最小的注释实现了高精度,为各种临床环境提供了可扩展的解决方案.
科学领域:
- 数字病理学数字病理学
- 计算生物学 计算生物学
- 医学图像分析 医学图像分析
背景情况:
- 数字病理学的染色变异挑战了自动化的细胞细分.
- 手动核注释是劳动密集型的,限制了数据集的可用性.
- 需要强大的细分方法,以最小的注释处理着着色变异性.
研究的目的:
- 开发一种新的框架,减轻染色变异性,并使高精度的核细分成为可能.
- 为了使用最小的注释数据实现强大的性能.
- 为数字病理学提供实用和可扩展的解决方案.
主要方法:
- 开发了一个名为3SGAN的多任务双分支生成对抗网络 (GAN).
- 该框架采用了一种半监督的教师-学生模式 (AttCycle和TransCycle模型).
- 在1408个全幻灯片图像 (WSI) 上进行训练和评估,使用101种染色风格,仅在5%的数据上使用注释.
主要成果:
- 3SGAN实现了卓越的核细分精度 (F1得分:0.8140,平均IOU:0.8201,AJI:0.6915). 通过这种方法,可以实现更高的核细分精度.
- 观察到斑点正常化质量的显著改善 (RMSE: 0.0908,PSNR: 21.0615,SSIM: 0.8556).这些研究结果显示,颜色的质量有所改善.
- 外部验证证实了在各种数据集和染色协议中具有强大的通用性.
结论:
- 高性能核细分和染色正常化可以在最小的注释下实现.
- 3SGAN框架为数字病理学提供了一个实用且可扩展的解决方案.
- 该方法适用于不同的临床环境和染色方案.
