通过教师聚合实现全面病理图像分割用于肿瘤微环境分析
计算机视觉与模式识别
2025-01-07 v1
摘要
肿瘤微环境（TME）在癌症进展和治疗反应中发挥关键作用，但当前方法在组织细胞类型多样性和准确性方面存在显著局限。本文提出PAGET（Pathological image segmentation via AGgrEgated Teachers），一种新的知识蒸馏方法，通过整合多个分割模型并考虑TME中细胞类型的层次结构，实现对14个关键TME成分的同步识别和分类。通过利用免疫组织化学重染色技术创建的独特数据集和现有分割模型，PAGET实现了对各种组织类型和医疗机构的快速、全面的TME分割，推动了肿瘤微环境的量化分析。该方法代表了对癌症生物学理解和来自大规模组织病理图像的精确临床决策的重要进步。
引用
@article{arxiv.2501.02909,
title = {Comprehensive Pathological Image Segmentation via Teacher Aggregation for Tumor Microenvironment Analysis},
author = {Daisuke Komura and Maki Takao and Mieko Ochi and Takumi Onoyama and Hiroto Katoh and Hiroyuki Abe and Hiroyuki Sano and Teppei Konishi and Toshio Kumasaka and Tomoyuki Yokose and Yohei Miyagi and Tetsuo Ushiku and Shumpei Ishikawa},
journal= {arXiv preprint arXiv:2501.02909},
year = {2025}
}
备注
38 pages, 13 figures