具有迁移学习的卷积神经网络自动识别低度和重度滑膜炎:一项初步研究( A convolutional neural network with transfer learning for automatic discrimination between low and high-grade synovitis: a pilot study )

V Venerito O Angelini G Cazzato G Lopalco F Iannone

超声引导下的滑膜组织活检(USSB)可能允许对炎性关节炎患者进行个性化治疗。为此，量化滑膜标本中的组织炎症对采取适当的治疗策略至关重要。本研究旨在探讨计算机视觉是否有助于鉴别USSB患者滑膜炎的分级。我们使用了来自接受USSB的患者的150张滑膜显微照片的数据库。对每一张苏木精和伊红(H&E)染色的玻片，计算Krenn评分。在适当的数据预处理和微调后，采用ResNet34卷积神经网络(CNN)上的迁移学习来区分低级别和高级别滑膜炎(Krenn评分<5或≥5)。我们计算测试阶段度量，准确性，精确度（真阳性/实际结果），和查全率（真阳性/预测结果）。利用Grad-Cam算法对模型预测所用的图像区域进行高亮处理。我们分析了12例关节炎患者标本的显微照片。训练数据集包括N.90幅图像（N.42幅为高度滑膜炎）。验证和测试数据集包括N.30(N.14个高度滑膜炎）和N.30个项目(N.16个高度滑膜炎）。测试阶段的准确率为100%（精确度=1，查全率=1)。滑膜内层和亚下层的细胞密度是预测CNN的显著决定因素。本研究提供了具有迁移学习的计算机视觉适用于滑膜炎评分的概念证明。将基于CNN的方法整合到现实生活中的病人管理中可能会改善风湿病学家和病理学家之间的工作流程。

SciDown文献求助系统（解决99%问题） Public Download Springer ResearchGate