مرکز تحقیقات اورولوژی | Benchmarking multiple instance learning architectures from patches to pathology for prostate cancer detection and grading using attention-based weak supervision

مرکز تحقیقات اورولوژی | Benchmarking multiple instance learning architectures from patches to pathology for prostate cancer detection and grading using attention-based weak supervision
سایت دانشگاه | 28 آبان 1405
لوگو

مرکز تحقیقات ارولوژی

دانشگاه علوم پزشکی تهران

Benchmarking multiple instance learning architectures from patches to pathology for prostate cancer detection and grading using attention-based weak supervision

Screenshot (204)

هر روز یک مقاله، شنبه ۱۳ تیر ۱۴۰۵

این مطالعه یک بررسی مقایسه ای درباره یادگیری چندنمونه‌ای با نظارت ضعیف برای تشخیص و درجه‌بندی سرطان پروستات از روی تصاویر پاتولوژی کامل ارائه می‌دهد. یکی از چالش‌های مهم در توسعه روش ها برای آنالیز تصاویر پاتولوژی این است که اگرچه مدل‌های یادگیری عمیق می‌توانند عملکرد بسیار خوبی داشته باشند، اما اغلب به برچسب‌گذاری دقیق در سطح ناحیه یا پیکسل نیاز دارند که خود کاری پرهزینه، زمان‌بر و در مقیاس وسیع دشوار است. برای غلبه بر این محدودیت، روش های نظارت ضعیف (یادگیری چند نمونه ای) که تنها با برچسب‌های سطح اسلاید آموزش می‌بینند بعنوان یک راه حل مورد ارزیابی قرار می گیرند.
در این ارزیابی از یک مجموعه‌داده بنچ مارک شامل ۱۰۶۱۶ تصویر اسلاید کامل پاتولوژی استفاده شده است. شش معماری یادگیری چند نمونه ای شامل CLAM-MB, CLAM-SB, ILRA-MIL, AC-MIL, AMD-MIL, WiKG-MIL و سه رمز کننده قطعه تصویر شامل ResNet50، CTransPath و UNI2 و همچنین چهار استراتژی استخراج قطعه تصویر باعث ایجاد ۷۲ پیکربندی متفاوت برای آزمایش شد. روش مدل سازی و ارزیابی برای تشخیص و درجه‌بندی سرطان مثانه شامل پنج مرحله اصلی به ترتیب پیش پردازش، استخراج قطعه تصویر، استخراج ویژگی با استفاده از رمز کننده، آموزش مدل، و ارزیابی می باشد. قسمت اصلی سیستم در مرحله آموزش مدل می باشد که در آن جا یک مدل یادگیری چند نمونه ای اطلاعات مربوط به همه قطعه های تصویر یک اسلاید را تجمیع می‌کند تا در نهایت یک پیش‌بینی در سطح اسلاید ارائه دهد. این روش به‌ویژه برای ارزیابی اسلاید های پاتولوژی مناسب است، زیرا همه قطعه های اسلاید حاوی نواحی تشخیصی مهم نیستند و مدل باید تنها با استفاده از برچسب کلی اسلایدها یاد بگیرد کدام نواحی اهمیت بیشتری دارند.
نتایج ارزیابی نشان داد که عملکرد نهایی تنها به نوع معماری یادگیری چند نمونه ای وابسته نیست بلکه به‌شدت تحت تأثیر انتخاب رمز کننده و استراتژی استخراج قطعه تصویر نیز قرار دارد. بهترین پیکربندی گزارش‌شده استفاده از معماری یادگیری چند نمونه ای ILRA-MIL رمز کننتده UNI2 و استراتژی استخراج قطعه تصویر با اندازه ۲۵۶×۲۵۶ با ۵۰٪ هم‌پوشانی است که به دقت ۷۸٪ دست یافت. نتایج بیان می‌کنند که این پیکر بندی از روش‌های سنتی بهتر عمل کرده و به سطح توان تشخیصی پاتولوژیست‌های خبره نزدیک شده است. یکی از یافته‌های مهم این است که مدل‌های بنیادین تخصصی حوزه پاتولوژی نسبت به رمز کننده های عمومی عملکرد بهتری دارند و همچنین قطعه های تصویر کوچک‌تر با هم‌پوشانی تعادل بهتری میان حفظ جزئیات بافت‌شناسی و نگه‌داشتن اطلاعات زمینه‌ای ایجاد می‌کنند.
در مجموع، این مطالعه از این ذهنیت حمایت می‌کند که روش ارائه شده بر پایه نظارت ضعیف می‌توانند عملکردی قوی، عملی و از نظر بالینی معنادار برای تشخیص و درجه‌بندی سرطان پروستات از روی تصاویر کامل پاتولوژی فراهم کند.

https://www.nature.com/articles/s41598-026-39196-x

کلمات کلیدی
مرضیه ایلکا
تهیه کننده:

مرضیه ایلکا

0 نظر برای این مطلب وجود دارد

ارسال نظر

نظر خود را وارد نمایید:

متن درون تصویر را در جعبه متن زیر وارد نمائید *
متن مورد نظر خود را جستجو کنید
تنظیمات پس زمینه