.png){kind=icon}
返回
Self-supervised learning for data augmentation in histopathology image segmentation
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-23280-9.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
由于像素级标注的稀缺性和不同组织类型及机构设置间泛化能力的局限性，组织病理图像分割面临着严峻挑战。本文提出了一种新颖的自监督学习框架，通过结合掩码图像建模、对比学习以及自适应语义感知数据增强来解决这些根本性限制。该方法具有三大创新点：首先，针对吉像素全切片图像设计的多分辨率分层架构，可同时捕捉细胞级细节和组织级背景；其次，采用混合自监督学习策略，结合掩码自编码器重建与多尺度对比学习，在无需大量标注的情况下学习鲁棒特征表示；此外，引入自适应增强网络，通过学习到的转换策略在保持组织学语义的同时最大化数据多样性。该框架采用语义感知掩码策略和针对边界优化的损失函数进行渐进式微调。在五个多样化的组织病理数据集[TCGA-BRCA、TCGA-LUAD、TCGA-COAD、CAMELYON16和PanNuke]上的全面评估表明，该方法显著优于当前最优方法，Dice系数达到0.825（提升4.3%），mIoU为0.742（提升7.8%），并大幅降低了边界误差指标[豪斯多夫距离减少10.7%，平均表面距离减少9.5%]。值得注意的是，该方法表现出卓越的数据效率，仅需25%的标注数据即可达到全性能的95.6%，而监督基线方法需85.2%，标注需求减少70%。跨数据集泛化分析显示，该方法较现有方法提升13.9%；临床专家病理学家的验证确认了其诊断价值，临床适用性评分为4.3/5.0，边界准确度为4.1/5.0。该框架为计算病理学中的自监督学习建立了新范式，在标注资源有限的情况下具备显著的临床部署潜力，同时能在多样化的机构环境中保持高诊断精度。
Keyword:
Self-supervised learning
Histopathology
Image segmentation
Data augmentation
Masked image modeling
Contrastive learning
Computational pathology
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.9
论文数:
28.2W
被引数:
83.5W
机构
引用论文
Robust and data-efficient generalization of self-supervised machine learning for diagnostic imaging用于诊断成像的自监督机器学习的鲁棒且数据高效的泛化
PREAI
分享收藏Vision transformer-based weakly supervised histopathological image analysis of primary brain tumors基于视觉变换器的原发性脑肿瘤弱监督病理图像分析.png)
iScienceOAAI
iScienceIF0
OAAI分享收藏Data-efficient and weakly supervised computational pathology on whole-slide images全载玻片图像上的数据高效和弱监督计算病理学OAAI
OAAI分享收藏A foundation model for clinical-grade computational pathology and rare cancers detection临床级计算病理学和罕见癌症检测的基础模型NATURE MEDICINEOAAI
NATURE MEDICINEIF50
OAAI分享收藏Context-Aware Convolutional Neural Network for Grading of Colorectal Cancer Histology Images上下文感知卷积神经网络在结直肠癌组织学图像分级中的应用OAAI
OAAI分享收藏Self-supervised learning for characterising histomorphological diversity and spatial RNA expression prediction across 23 human tissue typesNATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Weakly supervised histopathology image segmentation with self-attentionMEDICAL IMAGE ANALYSIS
MEDICAL IMAGE ANALYSISIF11.8
PREAI
分享收藏Self-supervised learning for medical image classification: a systematic review and implementation guidelinesNPJ DIGITAL MEDICINEOAAI
NPJ DIGITAL MEDICINEIF15.1
OAAI分享收藏
分享收藏
查看更多内容