利用跨模态学习进行细胞核亚型分类
计算机视觉与模式识别
2024-01-30 v2
摘要
理解细胞通讯、共定位和相互关联的方式对于理解人体生理学至关重要。苏木精-伊红（H&E）染色在临床研究和科研中普遍可用。结肠细胞核识别与分类（CoNIC）挑战赛近期在利用稳健的人工智能对结肠H&E染色切片上的六种细胞类型进行标记方面取得了创新。然而，这只是潜在细胞分类类型数量中极小的一部分。具体而言，CoNIC挑战赛无法对上皮细胞亚型（祖细胞、内分泌细胞、杯状细胞）、淋巴细胞亚型（B细胞、辅助T细胞、细胞毒性T细胞）或结缔组织亚型（成纤维细胞、基质细胞）进行分类。本文提出利用跨模态学习在虚拟H&E图像上标记此前无法标记的细胞类型。我们利用多重免疫荧光（MxIF）组织学成像识别了14种细胞亚类。我们进行了风格迁移，从MxIF合成虚拟H&E图像，并将MxIF的高密度标签迁移到这些虚拟H&E图像上。随后，我们评估了这种方法的学习效能。我们在虚拟H&E图像上识别辅助T细胞和祖细胞核的阳性预测值分别为0.34 ± 0.15（出现率0.03 ± 0.01）和0.47 ± 0.1（出现率0.07 ± 0.02）。该方法代表了在数字病理学中实现自动标注的一个有前景的步骤。
引用
@article{arxiv.2401.05602,
title = {Nucleus subtype classification using inter-modality learning},
author = {Lucas W. Remedios and Shunxing Bao and Samuel W. Remedios and Ho Hin Lee and Leon Y. Cai and Thomas Li and Ruining Deng and Can Cui and Jia Li and Qi Liu and Ken S. Lau and Joseph T. Roland and Mary K. Washington and Lori A. Coburn and Keith T. Wilson and Yuankai Huo and Bennett A. Landman},
journal= {arXiv preprint arXiv:2401.05602},
year = {2024}
}