Die Studie untersucht, wie Blickbewegungsdaten von Beobachtern genutzt werden können, um Convolutional Neural Networks (CNNs) für die Mitoseerkennung in Pathologiebildern von Meningiomen zu trainieren. Da die direkte Verwendung von Blickbewegungsdaten aufgrund des geringen Signal-Rausch-Verhältnisses eine Herausforderung darstellt, extrahieren die Autoren stattdessen konsistente Blickfixationen, die von einer Gruppe von Beobachtern geteilt werden.
Zunächst wurde ein Datensatz von 1.000 Pathologiebildern von Meningiomen mit 705 annotierten Mitosen erstellt. 14 Nicht-Mediziner nahmen an einer Benutzerstudie teil, bei der ihre Blickbewegungen während des Betrachtens dieser Bilder aufgezeichnet wurden. Aus den Blickbewegungsdaten wurden Pseudolabels für Mitosen generiert, indem konsistente Blickfixationen zwischen den Teilnehmern identifiziert wurden.
Die Qualität dieser Blickbewegungslabels wurde in Abhängigkeit von der Gruppengröße untersucht. Mit zunehmender Gruppengröße verbesserte sich die Präzision der Labels, während die Schwankungsbreite des Recalls abnahm. Anschließend wurden CNNs basierend auf den Blickbewegungslabels, heuristikbasierten Labels und Expertenlabels trainiert und auf einem unabhängigen Testdatensatz evaluiert. Die Ergebnisse zeigten, dass die Leistung der CNN, die mit Blickbewegungslabels trainiert wurden, der von Expertenlabels nahekommt und deutlich besser ist als die des heuristikbasierten Ansatzes.
Die Studie demonstriert, dass Blickbewegungsdaten von Beobachtern wertvolle Informationen für das Training von KI-Modellen in der Pathologie liefern können, ohne dass Experten zusätzlich Zeit für Annotationen aufwenden müssen. Zukünftige Forschung könnte den Ansatz weiter verbessern, indem beispielsweise heuristische Labels durch Blickbewegungsfixationen verfeinert werden.
To Another Language
from source content
arxiv.org
Viktige innsikter hentet fra
by Hongyan Gu,Z... klokken arxiv.org 04-03-2024
https://arxiv.org/pdf/2404.01656.pdfDypere Spørsmål