Clasificación histológica automatizada basada en aprendizaje profundo de Nottingham del carcinoma mamario invasivo canino

Clasificación histológica automatizada basada en aprendizaje profundo de Nottingham del carcinoma mamario invasivo canino con una exploración preliminar cruzada de especies sobre carcinoma mamario felinoClasificación histológica automatizada basada en aprendizaje profundo de Nottingham del carcinoma mamario invasivo canino con una exploración preliminar cruzada de especies sobre carcinoma mamario felino

  • Yukun Guo 1,2,3,4Jinfeng Zhu 1Tong Wei 1Jie Wang 5Baowen Li 6Yongjie Feng 6Hewei Zhang 1,2,3,4*
  • 1. College of Food and Drugs, Luoyang Polytechnic, Luoyang, China

  • 2. Animal Diseases and Public Health Engineering Research Center of Henan Province, Luoyang, China

Resumen

El sistema de clasificación histológica de Nottingham (NHGS) para el carcinoma mamario invasivo canino se basa en la evaluación visual, y el acuerdo entre observadores permanece por debajo del umbral aceptado de fiabilidad, siendo el más bajo para el pleomorfismo nuclear (NP). Desarrollamos un sistema de aprendizaje profundo que puntua los tres componentes del NHGS (formación de túbulos, TF; recuento mitótico, MC; y NP) en imágenes de diapositivas completas (WSIs) de carcinoma mamario invasivo canino confirmado, con cada puntuación derivada de una medición cuantitativa en lugar de una evaluación subjetiva. Una red de segmentación basada en transformadores delimita primero la región de hiperplasia mamaria en cada WSI y produce una máscara binaria, que actúa como una restricción espacial común para los tres módulos de puntuación. Para TF, la relación glandular (GR), definida como la proporción de píxeles de estructura tubular dentro de la región enmascarada, se calcula a nivel de píxel y sustituye la estimación visual del patólogo sobre la proporción de los túbulos. Para MC, las figuras mitóticas se detectan en parches de imagen recortados de la región enmascarada, y un algoritmo codicioso selecciona entonces los 10 campos de alta potencia densos y no solapados, evitando así la selección subjetiva del área de conteo. Para NP, un clasificador binario detecta parches que contienen núcleos que cumplen con el criterio morfológico de puntuación 3, y la puntuación NP a nivel de diapositiva se asigna a partir de la proporción de parches positivos, calibrando el umbral de decisión en el conjunto de validación.

 

Trabajo completo aquí 

 

Date de alta y recibe nuestro 👉🏼 Diario Digital AXÓN INFORMAVET ONE HEALTH

Date de alta y recibe nuestro 👉🏼 Boletín Digital de Foro Agro Ganadero

Noticias animales de compañía

Noticias animales de producción

Trabajos técnicos animales de producción

Trabajos técnicos animales de compañía

—
Axon Formación Logo
Resumen de privacidad

Esta web utiliza cookies para ofrecerte la mejor experiencia de usuario posible. La información de las cookies se almacena en tu navegador y realiza funciones tales como reconocerte cuando vuelves a nuestra web o ayudar a nuestro equipo a comprender qué secciones de la web encuentras más interesantes y útiles. Puedes ajustar todas tus configuraciones de cookies navegando por las pestañas del lado izquierdo. . Más información: Política de cookies