基于深度学习的胃癌IHC图像淋巴细胞自动检测

本文提出了一种基于深卷积神经网络的胃癌IHC图像淋巴细胞自动检测模型,通过病理学家注释70x70像素patches进行训练,使用滑动窗口算法和非最大抑制技术进行检测。这种方法简化了图像标记过程,为癌症研究提供了一个辅助工具。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

目的:肿瘤浸润性淋巴细胞(TIL)近年来备受关注,有证据表明其与肿瘤预后有关。这些和其他类型免疫细胞的分布和定位是病理学家特别感兴趣的,并经常涉及人工检查免疫组织化学(IHC)图像。我们提出了一种基于深卷积神经网络的胃癌IHC图像淋巴细胞自动检测模型。
主要贡献:本文提出了一种利用深卷积神经网络自动检测和计数IHC图像中(TIL)的方法。还描述了一种创新的方法,使用一个内置软件为训练集收集图像。这项工作的主要贡献是其专家验证的结果。另一个重要贡献是淋巴细胞图像数据集,可以下载并用于该领域的进一步研究和改进。该软件具有很大的潜力,可以作为帮助医学专家和研究人员进一步进行癌症研究的工具。

方法:本研究中的所有IHC图像均使用Olympus BX63显微镜和癌性胃组织中的CD3染色获得。
为便于训练,病理学家提取并注释了70x70包含来自IHC图像的单个单元格的像素patches。然后,我们训练了一个卷积深神经网络对相同大小的输入进行二进制分类。在对网络进行训练后,我们使用滑动窗口算法对测试图像中的单个patches进行评估,然后,我们通过在前一步中对所有单个分类应用非最大抑制来计算最终输出。图1中展示了框架。
在这里插入图片描述

(a)
与其他研究相比,本文没有要求专家在全尺寸的IHC图像中标记单个淋巴细胞的中心。相反,提供了一个Web应用程序,它允许使用类似框架的裁剪工具进行图像可视化,并要求他们自己裁剪单元格。裁剪单个细patches的过程就像识别一个细胞并双击它一样简单。
(b)
使用滑动窗口算法从测试图像中提取了70x70像素的patches。然后将所有提取的patches传递给模型,并在应用非最大抑制之前收集所有单独的分类结果。

网络架构

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值