Hitchhiker's guide to cancer-associated lymphoid aggregates in histology images: manual and deep learning-based quantification approaches

本文介绍了在癌症组织学图像中定量淋巴聚集物，包括生发中心，是开发预后和预测组织生物标志物的一种有前途的方法。我们提供了建议，以便从日常病理工作流程（如苏木精和伊红染色）的组织切片中识别淋巴聚集物。为了克服手动图像分析（如主观决策，注意力不集中）所固有的变异性，我们最近开发了一种基于深度学习的算法HookNet-TLS，用于检测各种组织中的淋巴聚集物和生发中心。此外，我们还提供了使用手动注释图像进行训练和实施HookNet-TLS以自动化和客观地定量各种癌症类型淋巴聚集物的指南。

本文旨在提供一种自动化的深度学习算法来检测癌症组织中的淋巴聚集物和生发中心，以便开发组织生物标志物。同时，本文还提供了一份手动标注图像的指南，用于训练和实施HookNet-TLS算法。

本文提出了一种名为HookNet-TLS的深度学习算法，可以自动检测癌症组织中的淋巴聚集物和生发中心，从而消除了手动图像分析中的主观性和注意力偏差。

本文使用HookNet-TLS算法在不同的癌症类型中进行了实验，并提供了手动标注图像的指南。此外，作者还开源了算法的代码，方便其他研究者使用和改进。

最近的相关研究包括：1. “Deep learning-based quantification of pancreatic fat content using in-phase and out-of-phase MRI”；2. “Automated detection and quantification of lymph nodes from CT scans using convolutional neural networks”；3. “A deep learning-based framework for automatic liver segmentation in living donor liver transplantation”等。