|
TshFNA-Examiner:甲状腺细胞学图像的核分割和癌症评估框架
柯晶1, 朱俊超2, 杨鑫1, 张浩林3, 孙宇翔1, 王嘉怡1, 鲁亦舟4, 沈逸卿5, 刘晟6, 蒋伏松7, 黄琴8
2024 (6):
945-957.
doi: 10.1007/s12204-024-2743-y
摘要
(
67 )
PDF(2836KB)
(
46
)
通过甲状腺细针穿刺(FNA)可以评估癌症风险,获得预后信息,并指导后续护理或手术。生物检验数字化和深度学习技术推动了计算病理学的发展。然而,目前仍然缺乏,可以与医生基本水平相匹配的,针对复杂细胞病理学图像的系统性诊断系统。研究中,我们设计了一个深度学习框架,用于定量评估甲状腺细针穿刺图像的癌症风险,该框架名为TshFNA-Examiner。在TshFNA-Examiner中,通过细胞核分割神经网络检测与诊断医学信息强相关的细胞密集区域;通过分类神经网络按照报告甲状腺细胞病理学(TBSRTC)系统对细胞级图像子块进行分类,同时使用半监督网络基于未标记数据对分类网络进行增强。研究了从2019年到2022年收集的333例甲状腺细针穿刺样本,分为I到VI级,并完成了像素级和图像级的图像子块标注。通过综合指标和多个任务评估了TshFNA-Examiner,以证明其优于最先进的深度学习方法。细胞区域分割的平均性能达到了0.931 Dice系数和0.871 Jaccard指数。癌症风险分类器按照TBSRTC标准达到了0.959 Macro-F1-score、0.998 Macro-AUC和0.959准确率。通过利用大量未标记数据进行半监督学习,相应的指标可以提高至0.970 Macro-F1-score、0.999 Macro-AUC和0.970 准确率。在临床实践中,TshFNA-Examiner可以帮助细胞学家以便捷方式可视化深度学习网络的输出,以促进最终决策的制定。
参考文献 |
相关文章 |
计量指标
|