用于标注皮肤反射共聚焦显微镜图像的多分辨率卷积神经网络及部分标签训练
摘要
我们描述了一种新的多分辨率“嵌套编码器-解码器”卷积网络架构，并用其标注人体皮肤反射共聚焦显微镜（RCM）图像中的形态学模式以辅助癌症诊断。皮肤癌是最常见的癌症类型，其中黑色素瘤是最致命的。RCM 是一种有效、非侵入性的皮肤癌诊断预筛查工具，具备所需的细胞分辨率。然而，图像复杂、低对比度且高度可变，因此临床医生需要数月到数年的专家级训练才能做出准确评估。本文中，我们解决 RCM 图像中 4 种关键临床重要结构/纹理模式的分类问题。这些模式的出现和形态被临床医生用于诊断黑色素瘤。RCM 图像的大尺寸、模式大小的大方差、模式出现的大尺度范围、收集图像中的类别不平衡以及缺乏完全标注图像，都使得即使使用自动化机器学习工具也难以解决此问题。我们设计了一种新颖的嵌套 U-net 架构应对这些挑战，并采用选择性损失函数处理部分标注。在 56 张黑色素瘤可疑、部分标注的 12k x 12k 像素图像上训练和测试，我们的网络自动以高灵敏度和特异性标注诊断模式，为测试图像的未标注部分提供一致标签。提供此类标注将帮助临床医生达到诊断准确性，或许更重要的是大幅促进临床培训，从而使 RCM 更快速地广泛应用于临床。此外，我们对 U-net 架构的改进提供了一种本质多分辨率的深度网络，可能有益于其他具有挑战性的生物医学图像分析应用。
引用
@article{arxiv.1802.02213,
title = {A Multiresolution Convolutional Neural Network with Partial Label Training for Annotating Reflectance Confocal Microscopy Images of Skin},
author = {Alican Bozkurt and Kivanc Kose and Christi Alessi-Fox and Melissa Gill and Dana H. Brooks and Jennifer G. Dy and Milind Rajadhyaksha},
journal= {arXiv preprint arXiv:1802.02213},
year = {2018}
}
备注
This paper is accepted to MICCAI'18 conference. This is an extended version of the abstract presented at to "The Optical Society Biophotonics Congress: Biomedical Optics 2018" conference (c.f. previous ARXIV version)