面向Advanced Melanoma H&E染色组织病理图像组织和细胞核分割分类的多阶段自注意力深度学习框架
计算机视觉与模式识别
2025-09-03 v2
摘要
黑色素瘤是全球发病率不断上升的最致命的皮肤癌类型。对黑色素瘤组织病理图像进行分析，通过局部化和分类组织和细胞核被视为诊断和治疗方案的金标准方法。虽然已提出许多计算机化方法用于自动化分析，但大多数方法将组织分析和细胞核（细胞）分析作为独立任务进行，可能效果不佳。在本工作中，我们采用PUMA挑战数据集，提出一种新颖的多阶段深度学习方法，通过基于自注意力概念将组织和细胞核信息整合到统一框架中，用于黑色素瘤组织病理图像的分割和分类。在通过预训练和后处理后，我们的方法在PUMA挑战中分别获得了第二名和第一名的排名，Track 1的平均微Dice组织得分和Track 2的累计细胞核F1得分为73.40%和63.48%。此外，通过全面的消除实验和对外部数据集的额外评估，我们展示了该框架组件的有效性以及所提出方法的泛化能力。我们的实现可在：https://github.com/NimaTorbati/PumaSubmit 获取。
引用
@article{arxiv.2503.23958,
title = {A Multi-Stage Auto-Context Deep Learning Framework for Tissue and Nuclei Segmentation and Classification in H&E-Stained Histological Images of Advanced Melanoma},
author = {Nima Torbati and Anastasia Meshcheryakova and Ramona Woitek and Sepideh Hatamikia and Diana Mechtcheriakova and Amirreza Mahbod},
journal= {arXiv preprint arXiv:2503.23958},
year = {2025}
}
备注
30 pages