基于深度学习的肺噬细胞细胞学定量研究

作者: | Christian Marzahl | Marc Aubreville | Christof A. Bertram | Jason Stayt | Anne-Katherine Jasensky | Florian Bartenschlager | Marco Fragoso-Garcia | Ann K. Barton | Svenja Elsemann | Samir Jabari | Jens Krauth | Prathmesh Madhu | Jörn Voigt | Jenny Hill | Robert Klopfleisch | Andreas Maier |

摘要:目的:运动性肺出血(EIPH)是运动性马匹常见的一种综合征,对运动成绩有负面影响。支气管肺泡灌洗液细胞学评分系统被认为是最敏感的诊断方法。巨噬细胞的分类取决于细胞质中含铁血黄素的程度。目前的金本位制是手工分级,但既单调又费时.方法:我们评价了最先进的基于深度学习的单细胞巨噬细胞分类方法,并将它们与9位细胞学专家的表现进行了比较,并评估了观察者间和观察者内部的变异性。此外,我们还对一组新的数据进行了目标检测方法的评估,该数据集包含17张完整注释的细胞学全片图像(WSI),包含78,047个含铁血黄素噬菌体。结果:我们的基于深度学习的方法达到了0.85的一致性,部分超过了人类专家的一致性(0.68~0.86,μ=0.73,σ=0.04)。观察者内变异率较高(0)。68~0.88)和观察者间的协调度为中等(Fliss kappa=0.67)。我们的目标检测方法的平均精度为0.66,这五个类别从整个幻灯片千兆像素图像,计算时间低于2分钟。结论:为了减少高的内部和内部变化,我们提出了一种自动目标检测流水线,使WSI中的EIPH评分准确、可重现、快速。

论文地址

https://arxiv.org/abs/1908.04767v1

下载地址

https://arxiv.org/pdf/1908.04767v1.pdf

全部源码

https://github.com/ChristianMarzahl/EIPH_WSI

https://github.com/ChristianMarzahl/ObjectDetection 类型: pytorch

目标检测整体幻灯片图像

相关推荐

暂无评论

微信扫一扫,分享到朋友圈

基于深度学习的肺噬细胞细胞学定量研究