基于2.5D多任务学习的3D病理数据分层诊断以指导病理学家评估
图像与视频处理
2024-06-12 v1 计算机视觉与模式识别
摘要
基于人类组织活检的准确患者诊断受到当前临床实践的限制，该实践中仅对从3D体积组织中切割的少量薄2D组织切片进行评估。近期的非破坏性3D病理学技术，如开顶光散射显微镜，使对空间异构组织形态的全面成像成为可能，为提高诊断判断提供了可行性。然而，手动检查大规模3D病理数据集是不可行的。为此，我们提出了CARP3D（Context-aware 2.5D Pathology triage），一种深度学习分层方法，自动识别3D体积活检组织中最高风险的2D切片，从而实现高效的病理学家审阅。对于给定的切片，我们通过对其内部每个切片中2D小块进行注意力聚合，然后对相邻切片进行池化，以计算情境感知的2.5D风险评分。对于前列腺癌风险分层，CARP3D在分层切片方面的ROC曲线下面积（AUC）达到90.4%，显著优于仅依赖独立2D切片分析的方法（AUC=81.3%）。这些结果表明，整合额外的深度上下文可增强模型的判别能力。总之，CARP3D有望通过对大规模3D病理数据集中高风险切片的准确分层，提高病理学家的诊断水平。
引用
@article{arxiv.2406.07061,
title = {Triage of 3D pathology data via 2.5D multiple-instance learning to guide pathologist assessments},
author = {Gan Gao and Andrew H. Song and Fiona Wang and David Brenes and Rui Wang and Sarah S. L. Chow and Kevin W. Bishop and Lawrence D. True and Faisal Mahmood and Jonathan T. C. Liu},
journal= {arXiv preprint arXiv:2406.07061},
year = {2024}
}
备注
CVPR CVMI 2024