一种用于全切片图像分割与分析的通用深度学习框架
图像与视频处理
2020-11-19 v2 计算机视觉与模式识别
机器学习
组织与器官
摘要
组织病理学组织分析被视为癌症诊断与预后的金标准。鉴于这些图像尺寸巨大以及潜在癌症病例数的增加，作为组织病理学家的辅助手段，一种自动化解决方案是极被期望的。近些年来，基于深度学习的技术在广泛的图像分析任务中提供了最先进的结果，包括数字化切片的的分析。然而，图像尺寸与组织病理学任务的变异性使得开发集成化的组织病理学图像分析框架成为挑战。我们提出一种基于深度学习的企业组织病理学组织分析框架。我们在若干开源数据集上展示了我们框架（包括训练与推理）的通用性，这些数据集包括 CAMELYON（乳腺癌转移）、DigestPath（结肠癌）和 PAIP（肝癌）数据集。我们讨论了与数据和模型相关的多类不确定性，即分别为偶然（aleatoric）与认知（epistemic）不确定性。同时，我们通过在一些 TCGA 数据上评估样本展示了我们的模型跨不同数据分布的泛化能力。在 CAMELYON16 测试数据（n=139）的病灶检测任务中，取得的 FROC 得分为 0.86；在 CAMELYON17 测试数据（n=500）的 pN 分期任务中，Cohen's kappa 得分为 0.9090（公开排行榜第三）。在 DigestPath 测试数据（n=212）的肿瘤分割任务中，Dice 得分为 0.782（挑战赛第四）。在 PAIP 测试数据（n=40）的存活肿瘤分割任务中，Jaccard 指数为 0.75（挑战赛第三），存活肿瘤负荷得分为 0.633（挑战赛第二）。我们的整个框架与相关文档在 GitHub 与 PyPi 上免费提供。
引用
@article{arxiv.2001.00258,
title = {A Generalized Deep Learning Framework for Whole-Slide Image Segmentation and Analysis},
author = {Mahendra Khened and Avinash Kori and Haran Rajkumar and Balaji Srinivasan and Ganapathy Krishnamurthi},
journal= {arXiv preprint arXiv:2001.00258},
year = {2020}
}