Histologische Segmentierung unter Verwendung aktiven Lernens in interessierenden Regionen bei Plattenepithelkarzinom der Mundhöhle

In der digitalen Pathologie hat sich gezeigt, dass Deep Learning ein breites Anwendungsspektrum hat, von der Krebsgradierung bis zur Segmentierung von Strukturen wie Glomeruli. Eine der größten Hürden für die digitale Pathologie, um wirklich effektiv zu sein, ist die Größe des Datensatzes, der für die Verallgemeinerung benötigt wird, um das Spektrum möglicher Morphologien zu adressieren. Kleine Datensätze begrenzen die Fähigkeit der Klassifizierer zur Verallgemeinerung. Wenn wir jedoch zu größeren Datensätzen von Ganzschnittbildern (WSIs) von Gewebe übergehen, können diese Datensätze Netzwerkengpässe verursachen, da jedes WSI in seiner ursprünglichen Vergrößerung mehr als 100.000 x 100.000 Pixel und über ein Gigabyte an Dateigröße haben kann. Diese Problematik verstärkt sich, da qualitativ hochwertige Annotationen von Pathologen schwer zu erhalten sind, da das Volumen der notwendigen Annotationen zur Erstellung eines Klassifizierers, der verallgemeinern kann, extrem kostspielig in Bezug auf Pathologenstunden wäre. In dieser Arbeit verwenden wir Aktives Lernen (AL), einen Prozess für iteratives interaktives Training, um einen modifizierten U-Net-Klassifizierer auf der Ebene der interessierenden Region (ROI) zu erstellen. Wir vergleichen dies dann mit Zufälligem Lernen (RL), bei dem Bilder zufällig ausgewählt werden, um dem Datensatz zum Retraining hinzuzufügt zu werden. Unsere Hypothese ist, dass AL Vorteile bei der Erzeugung von Segmentierungsergebnissen zeigt, im Vergleich zur zufälligen Auswahl von Bildern zur Annotation. Wir zeigen, dass AL nach 3 Iterationen mit einem durchschnittlichen Dice-Koeffizienten von 0,461 RL mit einem durchschnittlichen Dice-Koeffizienten von 0,375 um 0,086 übertrifft.