Automated Volume Corrected Mitotic Index Calculation Through Annotation-Free Deep Learning using Immunohistochemistry as Reference Standard

该研究表明，体积校正有丝分裂指数（M/V指数）在侵袭性乳腺癌中具有预后价值。然而，尽管它具有预后意义，但由于确定上皮比例所需的额外工作量较大，它并未成为评估侵袭性生物行为的标准方法。在这项工作中，我们展示了使用一个仅基于免疫组织化学的无注释深度学习管道，可以提供对犬乳腺癌上皮分割的准确估计。我们在三名获得认证的病理学家的研究中将我们的自动化框架与手动注释的M/V指数进行比较。我们的结果表明，基于深度学习的管道表现出专家级别的性能，同时提供时间效率和可重复性。

论文旨在通过使用深度学习方法，解决在犬乳腺癌中评估上皮分割所需的高工作量的问题，以提高工作效率和可重复性。

通过使用免注释的免疫组化方法训练深度学习模型，提供了一种准确评估犬乳腺癌上皮分割的方法，并且在与三名专家进行比较时表现出专家级别的性能。

论文使用免注释的免疫组化方法训练深度学习模型，实现了对犬乳腺癌上皮分割的准确评估。实验结果表明，该方法具有高效性和可重复性，并且在与专家进行比较时表现出专家级别的性能。论文使用的数据集是犬乳腺癌的组织切片图像。论文未提供开源代码。

最近的相关研究包括：1. A deep learning-based approach for automated detection and segmentation of liver lesions in CT images. 2. Deep learning for automatic segmentation of liver lesions in CT scans: a review. 3. Deep learning for liver tumor diagnosis part I: development of a convolutional neural network classifier for multi-phasic MRI.