Stain SAN pasiekia rezultatus, palyginamus su šiuolaikiškiausiu giliu mokymusi pagrįstu metodu, nereikalaujant atskiro dėmių pritaikymo mokymo arba prieigos prie tikslinės srities mokymo metu, o tai būtų nerealu klinikinėje praktikoje.
Taebinas Kimas
Stain SAN apima tris pagrindinius veiksmus:
- dėmių ištraukimas,
- spalvų pritaikymas ir
- intensyvumo adaptacija.
Pirmajame etape pradinis dėmės vaizdas suskaidomas į dviejų matricų sandaugą: vienoje yra informacijos apie spalvą, o kitoje – kiekvieno pikselio šviesos intensyvumo informaciją. Adaptacijos etape spalvų pasiskirstymas spalvų matricoje yra modifikuojamas atliekant statistinį procesą, kuriame atsižvelgiama į mokymo vaizdus, užtikrinant, kad pakeistos spalvos patenka į tikslinį pasiskirstymą. Galiausiai, trečiajame etape ir prieš atkuriant vaizdą, intensyvumo matrica patiria atsitiktinį trikdymą. Tai padeda padidinti galimų dėmių sričių įvairovę.
„Pagrindinis Stain SAN pranašumas yra tas, kad jis sujungia ankstesnių dėmių pritaikymo metodų stipriąsias puses ir įveikia jiems būdingus trūkumus“, – aiškina dr. Taebinas Kimas, vadovaujantis tyrėjas. Jis taip pat priduria: „Kiti nusistovėję metodai, įskaitant dėmių normalizavimą, dėmių padidinimą ir dėmių sumaišymą, gali būti suprantami kaip ypatingi Stain SAN atvejai.
Tyrėjai išbandė savo metodą tiek kokybiškai, tiek kiekybiškai, naudodamiesi histopatologiniais vaizdais iš viešai prieinamų duomenų rinkinių. Remdamiesi savo pastebėjimais ir eksperto patologo atsiliepimais, mokslininkai nustatė, kad naudojant Stain SAN apdorotų vaizdų duomenų rinkiniai buvo nuosekliau suderintos spalvos ir geriau apibendrinti dėmių domenai. Be to, Stain SAN padidino kontrastą tarp branduolio ir citoplazmos kiekvienoje ląstelėje ir pabrėžė skirtumus tarp naviko ląstelių ir palaikomojo audinio.
Komanda taip pat apmokė mašininiu mokymusi pagrįstus klasifikatorius, naudodama duomenų rinkinius, apdorotus įvairiais domenų pritaikymo būdais, ir išbandė jų veikimą, palyginti su apdorotais vaizdais iš kito duomenų rinkinio. Įdomu tai, kad „Stain SAN“ pranoko visus pirmiau minėtus metodus, užtikrindamas žymiai didesnį tikslumą. „Mūsų rezultatai aiškiai parodo patobulinimus, padarytus per šių metodų kūrimo istoriją, o tai baigėsi reikšmingu Stain SAN patobulinimu“, – komentuoja Kim. Tačiau tai dar ne viskas, kaip jis priduria: „Be to, mes parodėme, kad „Stain SAN“ pasiekia rezultatus, palyginamus su šiuolaikiškiausiu giluminiu mokymusi pagrįstu metodu, nereikalaujant atskiro dėmių pritaikymo ar prieigos prie tikslinės srities mokymo treniruočių metu. , o tai būtų nerealu klinikinėje praktikoje. Tai pabrėžia Stain SAN efektyvumą ir skaičiavimo efektyvumą.
Veiksmingų domeno pritaikymo metodų, tokių kaip Stain SAN, kūrimas yra būtinas norint užpildyti atotrūkį tarp mašininio mokymosi sistemų ir jų pritaikymo sveikatos priežiūros srityje. Mokslininkų komanda jau planuoja galimus metodo patobulinimus ir atlieka tolesnius bandymus naudodama kitus duomenų rinkinius. „Mūsų išvados patvirtina, kad „Stain SAN“ yra patikimas būdas pritaikyti dėmių domeną histopatologiniuose vaizduose, o tai turi įtakos skaičiavimo užduotims šioje srityje“, – teigia Kimas, optimistiškai nusiteikęs ateities atžvilgiu. Jų pastangos atvers kelią tikslesniams ir patogesniems diagnostikos protokolams, sutaupydami laiko tiek gydytojams, tiek pacientams.
Šaltinis: SPIE – Tarptautinė optikos ir fotonikos draugija
