用于乳腺癌 Ki-67 增殖指数评分的深度学习流程
图像与视频处理
2022-03-16 v1 计算机视觉与模式识别
摘要
Ki-67 增殖指数是帮助病理学家进行诊断和选择适当治疗方案的重要生物标志物。然而，由于细胞核重叠及其属性复杂多变，Ki-67 的自动评估十分困难。本文提出了一种用于准确自动计数 Ki-67 的集成流程，其中突出了细胞核分离技术的影响。首先，通过结合 Squeeze 和 Excitation Resnet 与 Unet 算法进行语义分割，从背景中提取细胞核。随后，基于八个几何与统计特征将提取的细胞核划分为重叠与非重叠区域。接着提出一种基于标记的分水岭(Watershed)算法，并仅应用于重叠区域以分离细胞核。最后，使用 Resnet18 从每个细胞核图像块中提取深度特征，并通过随机森林分类器将其分类为阳性或阴性。所提流程的性能在来自 Hôpital Nord Franche-Comté 医院病理科的数据集上进行了验证。
引用
@article{arxiv.2203.07452,
title = {A deep learning pipeline for breast cancer ki-67 proliferation index scoring},
author = {Khaled Benaggoune and Zeina Al Masry and Jian Ma and Christine Devalland and L. H Mouss and Noureddine Zerhouni},
journal= {arXiv preprint arXiv:2203.07452},
year = {2022}
}