基于多示例学习的组织病理学图像分类与定位多分辨率模型
图像与视频处理
2020-11-06 v1 计算机视觉与模式识别
摘要
组织病理学图像为疾病诊断提供了丰富信息。大量组织病理学图像已被数字化为高分辨率全切片图像，这为开发计算图像分析工具以减少病理医生工作负担并潜在改善观察者间与观察者内一致性带来了机遇。以往大多数全切片图像分析工作聚焦于小预选感兴趣区域的分类或分割，这需要细粒度标注，且难以扩展至大规模全切片分析。本文中，我们提出了一种多分辨率多示例学习模型，该模型利用显著图检测可疑区域以进行细粒度分级预测。我们的模型不依赖昂贵的区域级或像素级标注，而是可以仅使用切片级标签进行端到端训练。该模型在包含来自 830 名患者的 20,229 张切片的大规模前列腺活检数据集上开发。模型在良性、低级别（即分级组 1）和高级别（即分级组 ≥ 2）预测上达到了 92.7% 的准确率、81.8% 的 Cohen's Kappa，区分恶性与良性切片的受试者工作特征曲线下面积（AUROC）为 98.2%，平均精度（AP）为 97.4%。该模型在外部数据集上用于癌症检测的 AUROC 为 99.4%，AP 为 99.8%。
引用
@article{arxiv.2011.02679,
title = {A Multi-resolution Model for Histopathology Image Classification and Localization with Multiple Instance Learning},
author = {Jiayun Li and Wenyuan Li and Anthony Sisk and Huihui Ye and W. Dean Wallace and William Speier and Corey W. Arnold},
journal= {arXiv preprint arXiv:2011.02679},
year = {2020}
}
备注
9 pages, 6 figures