Ein dateneffizientes Deep-Learning-Framework für die Segmentierung und Klassifizierung von Histopathologie-Bildern
Die derzeitige Untersuchung der Zellarchitektur entzündlicher Prozesse in histopathologischen Bildern, die üblicherweise zur Diagnose und Forschung eingesetzt wird, lässt eine Vielzahl von Informationen auf dem Biopsieslides unberücksichtigt. Bei autoimmunen Erkrankungen bleiben zentrale offene Forschungsfragen bestehen, welche Zelltypen auf Gewebsebene an Entzündungsprozessen beteiligt sind und wie sie miteinander interagieren. Obwohl diese Fragen teilweise mit herkömmlichen Methoden beantwortet werden können, bieten künstliche Intelligenz-basierte Ansätze zur Segmentierung und Klassifikation eine deutlich effizientere Methode, um die Architektur der Entzündung bei autoimmunen Erkrankungen zu verstehen, und versprechen große Fortschritte für neue Erkenntnisse. In diesem Beitrag entwickeln wir empirisch tiefen Lernverfahren, die auf Dermatomyositis-Biopsien menschlichen Gewebes basieren, um entzündliche Zellen zu detektieren und zu identifizieren. Unser Ansatz steigert die Klassifizierungsleistung um 26 % und die Segmentierungsgenauigkeit um 5 %. Zudem stellen wir eine neuartige Post-Processing-Autoencoder-Architektur vor, die die Segmentierungsgenauigkeit zusätzlich um 3 % verbessert.