用于组织病理学图像背景去除的 U-Net 拓扑结构比较研究
图像与视频处理
2020-06-12 v1 机器学习
摘要
在过去十年中，病理学的数字化获得了相当大的发展势头。数字病理学提供了诸多优势，包括更高效的工作流、更便利的协作以及远程病理学的强大平台。与此同时，作为数字化的直接结果，在全切片图像（WSIs）上应用计算机辅助诊断（CAD）受到了广泛关注。任何图像分析的第一步都是提取组织。因此，背景去除是许多算法获得高效准确结果的必要前提。尽管对人类操作者而言区分显而易见，但 WSI 中组织区域的识别对计算机可能具有挑战性，主要由于存在颜色变化和伪影。此外，某些情况如肺泡组织类型、脂肪组织以及染色不良的组织难以检测。在本文中，我们对具有不同网络骨干（不同拓扑）的 U-Net 架构进行实验，以从 WSI 中去除背景及伪影从而提取组织区域。我们比较了广泛的骨干网络，包括 MobileNet、VGG16、EfficientNet-B3、ResNet50、ResNext101 和 DenseNet121。我们在 The Cancer Genome Atlas（TCGA）数据集的一个人工标注子集上训练和评估了该网络。EfficientNet-B3 和 MobileNet 以近 99% 的灵敏度和特异度取得了最佳结果。
引用
@article{arxiv.2006.06531,
title = {A Comparative Study of U-Net Topologies for Background Removal in Histopathology Images},
author = {Abtin Riasatian and Maral Rasoolijaberi and Morteza Babaei and H. R. Tizhoosh},
journal= {arXiv preprint arXiv:2006.06531},
year = {2020}
}
备注
Accepted at International Joint Conference on Neural Networks (IJCNN), 2020