15、医学图像分析中的深度学习方法：TILs 分割与早期膝骨关节炎预测

医学图像分析中的深度学习方法：TILs 分割与早期膝骨关节炎预测

1. 引言

在医学图像分析领域，深度学习技术正发挥着越来越重要的作用。本文将介绍两种基于深度学习的医学图像分析方法，分别是基于点的弱监督肿瘤浸润淋巴细胞（TILs）分割模型，以及用于早期膝骨关节炎（OA）预测的深度卷积神经网络。

膝骨关节炎是一种常见的退行性关节疾病，严重影响患者的生活质量。目前，基于 X 射线图像的诊断方法存在主观性强的问题，因此需要更准确、客观的诊断手段。而 TILs 分割对于肿瘤的研究和治疗也具有重要意义。

2. 基于点的弱监督 TILs 分割模型

2.1 模型概述

提出了一种基于点的弱监督 TILs 分割模型，采用了一种新颖的解耦分割方法和迁移学习策略。该模型将分割任务分为点检测和边界回归，能够将从细胞核到 TILs 的边界回归预测进行迁移，同时仅对 TILs 分割的点检测器进行微调。

2.2 模型优势

与最先进的细胞核分割模型和两种传统的伪标签构建算法进行了比较，结果表明该方法在精确预测和准确的 TILs 划分方面取得了更好的分割效果，优于所有竞争对手。

2.3 方法流程

• 点检测 ：识别图像中的关键点。
• 边界回归 ：根据点检测的结果，回归出 TILs 的边界。
• 迁移学习 ：将细胞核的边界回归预测迁移到 TILs 上。
• 微调点检测器