核心概念
提出了一種基於人工參與式主動學習的方法,開發了一個輕量級的深度學習分類器HistoROI,能夠將病理影像切片中的組織區域分類為上皮、間質、淋巴細胞、脂肪、人工製品和雜項。HistoROI在多個器官上表現良好,並可用於提高下游深度學習任務的性能。
摘要
本研究提出了一種基於人工參與式主動學習的方法,開發了一個名為HistoROI的輕量級深度學習分類器。HistoROI能夠將從病理影像切片(WSI)中提取的圖像塊分類為六大類組織區域:上皮、間質、淋巴細胞、脂肪、人工製品和雜項。
HistoROI的訓練採用了一種人工參與式的方法,通過多輪的聚類和人工標註,確保訓練數據的多樣性,從而提高分類的泛化能力。HistoROI在多個器官上表現良好,即使只在乳腺組織數據集上訓練,也能很好地推廣到其他器官。
此外,本文還展示了HistoROI作為預處理工具在提高下游深度學習任務性能方面的應用。在CAMELYON乳腺癌淋巴結轉移和TCGA肺癌數據集上,使用HistoROI過濾掉不相關的圖像塊後,基於弱監督學習的分類模型的AUC分別從0.88提高到0.92和0.93。
本文還比較了HistoROI與另一個常用的病理影像質量控制工具HistoQC在檢測人工製品方面的性能,結果顯示HistoROI在93個WSI樣本中的Dice係數平均為0.87,優於HistoQC的0.83。
總的來說,本文提出了一種高效的人工參與式訓練方法,開發了一個泛化能力強的組織區域分類器HistoROI,並展示了其在提高下游深度學習任務性能和病理影像質量控制方面的應用價值。
統計資料
在CAMELYON16數據集上,使用HistoROI過濾後,CLAM算法的AUC從0.88提高到0.92。
在TCGA肺癌數據集上,使用HistoROI過濾後,CLAM算法的AUC從0.88提高到0.93。
在TCGA-4Org數據集上,HistoROI的平均Dice係數為0.87,優於HistoQC的0.83。
引述
"即使在弱監督學習方法中,引入人工製品等無關區域也會影響模型的性能。"
"HistoROI在多個器官上表現良好,即使只在乳腺組織數據集上訓練,也能很好地推廣到其他器官。"
"HistoROI作為預處理工具,能顯著提高基於弱監督學習的分類模型的性能。"