Semi-Supervised Segmentation of Renal Pathology: An Alternative to Manual Segmentation and Input to Deep Learning Training
Notice bibliographique
Résumé
Kidney biopsy interpretation is the gold standard for the diagnosis and prognosis for kidney disease. Pathognomonic diagnosis hinges on the correct assessment of different structures within a biopsy that is manually visualized and interpreted by a renal pathologist. This laborious undertaking has spurred attempts to automate the process, offloading the consumption of temporal resources. Segmentation of kidney structures, specifically, the glomeruli, tubules, and interstitium, is a precursory step for disease classification problems. Translating renal disease decision making into a deep learning model for diagnostic and prognostic classification also relies on adequate segmentation of structures within the kidney biopsy. This study showcases a semi-automated segmentation technique where the user defines starting points for glomeruli in kidney biopsy images of both healthy normal and diabetic kidney disease stained with Nile Red that are subsequently partitioned into four areas: background, glomeruli, tubules and interstitium. Five of 30 biopsies that were segmented using the semi-automated method were randomly selected and the regions of interest were compared to the manual segmentation of the same images. Dice Similarity Coefficients (DSC) between the methods showed excellent agreement; Healthy (glomeruli: 0.92, tubules: 0.86, intersititium: 0.78) and diabetic nephropathy: (glomeruli: 0.94, tubules: 0.80, intersititium: 0.80). To our knowledge this is the first semi-automated segmentation algorithm performed with human renal biopsies stained with Nile Red. Utility of this methodology includes further image processing within structures across disease states based on biological morphological structures. It can also be used as input into a deep learning network to train semantic segmentation and input into a deep learning algorithm for classification of disease states.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».