基于深度学习的组织学图像骨肉瘤检测研究
图像与视频处理
2022-12-06 v1 计算机视觉与模式识别
摘要
在美国，5-10% 的新发儿科癌症病例为原发性骨肿瘤。最常见的原发性恶性骨肿瘤类型是骨肉瘤。本工作的意图是利用计算机辅助检测（CAD）与诊断（CADx）改进骨肉瘤的检测与诊断。诸如卷积神经网络（CNNs）此类工具可显著减少外科医生的工作负担并更好地预测患者状况。CNNs 需要大量数据训练以实现更可信的性能。在本研究中，迁移学习技术即预训练 CNNs 被适配到一个公开的骨肉瘤组织学图像数据集，以从非坏死和健康组织中检测坏死图像。首先，对数据集进行预处理并应用不同分类。然后，使用包括 VGG19 和 Inception V3 在内的迁移学习模型，并在无补丁的整张切片图像（WSI）上训练，以提高输出准确率。最后，将这些模型应用于不同分类问题，包括二分类和多分类器。实验结果表明，VGG19 在所有二分类和多分类中的准确率最高，达 96%。我们微调的模型在基于组织学图像检测骨肉瘤恶性程度方面展现出最先进的性能。
引用
@article{arxiv.2011.01177,
title = {A Deep Learning Study on Osteosarcoma Detection from Histological Images},
author = {D M Anisuzzaman and Hosein Barzekar and Ling Tong and Jake Luo and Zeyun Yu},
journal= {arXiv preprint arXiv:2011.01177},
year = {2022}
}