ภาวะทางด้านการแพทยาศาสตร์ความยืดหยุ่น การแบ่งแยกภาพของไซโตพลาสมามะเร็ง: แนวทางใหม่ที่พึ่งพาการเพิ่มข้อมูล

ในการวินิจฉัยโรค การสีฮีมาต็อกซิลิน-อีซิน (H&E) เป็นวิธีที่ใช้บ่อยในการสังเกตรูปร่างของเนื้อเยื่อขณะที่เออซินสีไซโตพลาสม่าและเมทริกซ์นอกเซลล์สีชมพูพยาบาลตรวจสอบส่วนสีเหล่านี้ ภายใต้กล้องจุลินทรีย์ เพื่อตัดสินว่าเซลล์ได้ผ่านการเปลี่ยนแปลงมะเร็งการระบุที่แม่นยําของภูมิภาคไซโตพลาสมาของมะเร็งเป็นขั้นตอนสําคัญ.

ในช่วงหลายปีที่ผ่านมา เทคโนโลยีการถ่ายภาพแบบไฮเปอร์สเปคตรัล ได้เข้าสู่สาขาวิจัยทางโรคอย่างช้าๆกล้องสเปคตรัลสูงสามารถรับข้อมูลเซลล์ที่รวยกว่าอย่างไรก็ตาม เทคโนโลยีนี้เผชิญกับปัญหาจริงสองอย่างในการใช้งานจริง

ปัญหาแรกคือความยากลําบากในการสรรหาข้อมูล ค่าจัดหาภาพยนตร์แบบย้อนหลังสูง และการจัดตั้งกลุ่มข้อมูลที่มีคําอธิบายขนาดใหญ่ไม่ง่ายรูปแบบการเรียนรู้ลึกต้องการข้อมูลจํานวนมาก เพื่อทํางานได้อย่างมีประสิทธิภาพปัญหาที่สองคือเสียงเครื่องมือ กล้องไฮเปอร์สเปคตรัลที่ใช้โหมดกระชับ-ขัดเส้นตรง มักจะสร้างเสียงกระชับแนวตั้งหรือแนวราบและปัญหาอื่น ๆ ระหว่างกระบวนการถ่ายภาพเสียงเหล่านี้แตกต่างกันไปตามลักษณะของอุปกรณ์และสภาพแวดล้อมการทํางาน ทําให้มันยากที่จะหลีกเลี่ยงโดยสิ้นเชิง

เพื่อแก้ปัญหาเหล่านี้ การศึกษาถูกตีพิมพ์ในวารสาร Informatics in Medicine Unlockedพวกเขาเสนอวิธีการขยายข้อมูล ที่ใช้ภาพ CMOS เพื่อสร้างภาพลักษณะลักษณะลักษณะลักษณะลักษณะ, ซึ่งจะนํามาใช้ในการฝึกแบบ U-Net การแบ่งแยก

1ทําไมต้องใช้ภาพ CMOS ในการขยายขนาด?
การพิจารณาโดยตรงคือต้นทุนการอธิบาย เนื้อเยื่อของเซียวพลาสมามะเร็งในภาพยนต์และการเขียนคําบรรยายด้วยมือในภาพขนาดสีเทา ใช้เวลาและใช้งานหนักในทางตรงกันข้าม, ภาพ CMOS มีภาพชัดเจน, และประสิทธิภาพการอธิบายของพวกเขาสูงขึ้นมาก. ความคิดของทีมงานวิจัยคือ:ใช้ภาพ CMOS ที่มีคําอธิบายง่าย เพื่อสร้างภาพลักษณะลักษณะสูงลักษณะด้วยเสียงดังแล้วใช้ภาพเหล่านี้ เพื่อฝึกแบบ

แนวทางเฉพาะเจาะจงแบ่งออกเป็น 3 ขั้นตอน
ขั้นตอนแรกคือการแปลงสีและปรับความสว่างและปรับความสว่างผ่านการแก้ไขแกมม่าและการปรับความเท่าเทียมของฮิสโตแกรม เพื่อทําให้มันใกล้กับผลทางสายตาของภาพย้อนสายสีในช่วงความยาวคลื่นเฉพาะ (เช่น 580 nm).

ขั้นตอนที่สองคือการเพิ่มเสียงเครื่องมือเพิ่มเส้นเสียงตั้งและแนวราบไปในภาพโดยสุ่ม เพื่อจําลองเสียงกระแสที่เกิดขึ้นในกล้องไฮเปอร์สเปคตรัลจริง เนื่องจากความแตกต่างในความรู้สึกของเซ็นเซอร์หรือการประมวลผลสัญญาณจํานวนเส้นเสียงตั้งอยู่ระหว่าง 19 และ 29 และตําแหน่งและความกว้างของเส้นเสียงแนวราบยังถูกสุ่ม นอกจากนี้ การสูญเสียข้อมูลและการสลับพิกเซลก็ถูกจําลอง

ขั้นตอนที่สามคือการแปลงทางกณิตศาสตร์ การดําเนินการ เช่น การตัด, เปลี่ยน, และแปลบนภาพลวงที่ผลิตเพื่อขยายกลุ่มข้อมูลต่อไป

ผ่านกระบวนการทํางานนี้, ภาพ CMOS แท้ 44 ภาพสร้างภาพลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะลักษณะล

2ผลการทดลองเป็นอย่างไร
ทีมวิจัยประเมินผลการทํางานของรุ่น โดยใช้การตรวจสอบข้าม 5 ครั้ง โดยใช้ IoU (Intersection over Union) และสัดส่วน Dice เป็นตัวชี้วัด

เมื่อฝึกด้วยภาพยนต์ไฮเปอร์สเปคตรัลเดิมเพียง 44 ภาพ อิโอยูคือ 0.5786 และคูณไดส์คือ 07304หลังการเพิ่มภาพลักษณะ pseudo-hyperspectral, IoU เพิ่มขึ้นเป็น 0.6458 และสัดส่วน Dice เพิ่มขึ้นเป็น 0.7820 * IoU ปรับปรุงโดยประมาณ 11.6% และสัดส่วน Dice ปรับปรุงโดยประมาณ 7.1%.

การศึกษายังพบว่าความสว่างของภาพและความหนาแน่นของเซลล์มีผลต่อผลการแบ่งแยก. ประเภทภาพที่มืดและประเภทภาพที่มีนิวเคลียร์เซลล์หนาแน่นแสดงความแม่นยําของการแบ่งแยกที่ต่ํากว่า.นี่แสดงให้เห็นว่ารุ่นมีความขึ้นอยู่กับคุณภาพภาพของภาพและยังแนะนําแนวทางสําหรับการปรับปรุงในอนาคต

3ความสําคัญของงานวิจัยนี้คืออะไร?
สําหรับการประมวลผลภาพทางโรคความรุนแรง ขาดของข้อมูลและเสียงเครื่องมือ เป็นสองอุปสรรคที่หลีกเลี่ยงไม่ได้,ดีกว่าจะปล่อยให้ตัวแบบเรียนรู้การจัดการกับเสียงดัง ในช่วงการฝึกอบรมการผลิตภาพลักษณะ pseudo-hyperspectral ด้วยเสียงเสียงเครื่องมือจากภาพ CMOS ไม่เพียงแค่แก้ไขความยากลําบากของการอธิบาย แต่ยังเพิ่มความแข็งแกร่งของโมเดลต่อต้านเสียง.

แน่นอนว่าการศึกษานี้ยังมีข้อจํากัดด้วย ข้อมูลการทดลองมาจากตัวอย่างเนื้องอกเต้านมของสุนัข และมีแค่เจ็ดประเภทภาพประเภทตัวอย่างที่ซับซ้อนกว่า และชุดข้อมูลที่ใหญ่กว่า ยังต้องสะสมช้าช้า.

อย่างไรก็ตาม จากมุมมองทางวิธีการ this concept of "using easily annotated images to generate noise-containing training samples" provides a valuable practical path for the application of hyperspectral microscopic imaging in pathological diagnosisด้วยการกระจายความนิยมอย่างช้าช้าของอุปกรณ์การถ่ายภาพแบบไฮเปอร์สเปคตรัลในแผนกโรค วิธีการเพิ่มข้อมูลที่คล้ายกันอาจช่วยให้นักวิจัยฝึกแบบอย่างมีประสิทธิภาพมากขึ้นการลดความขึ้นอยู่กับการบรรยายด้วยมือขนาดใหญ่.

การปฏิเสธความรับผิดชอบ
เนื้อหานี้ถูกรวบรวมและแก้ไขจากวรรณกรรมทางวิชาการที่เปิด (ลิ้งค์วรรณกรรม: https://www.sciencedirect.com/science/article/pii/S2352914826000213)มันใช้สําหรับการสนทนาทางเทคนิคในอุตสาหกรรมและการเรียนรู้การประชาสัมพันธ์วิทยาศาสตร์เท่านั้น, และไม่ยึดมั่นเกี่ยวกับธุรกิจใดๆ และไม่สามารถใช้เป็นฐานอ้างอิงการลงทุนข้อมูลและข้อสรุปการทดลองต่าง ๆ ที่ระบุในข้อความจะได้รับการขัดแย้งจากตัวแปรหลายอย่าง เช่น สภาพแวดล้อมการทดสอบ, ความแตกต่างของตัวอย่างแต่ละตัว และแผนการสร้างแบบผลสัมฤทธิ์ที่เกี่ยวข้องต้องถูกตรวจสอบผ่านการทดสอบที่อิสระ พร้อมกับกรณิการของตัวเอง.