组织病理学图像分析的培养皿：MHIST 数据集
图像与视频处理
2021-03-30 v2 计算机视觉与模式识别
摘要
随着深度学习的兴起，利用神经网络进行组织病理学图像分析的兴趣日益增长，该领域研究传统上由病理学家在显微镜下手动检查的活检或切除标本的特性。然而，数据有限、标注成本高以及处理高分辨率和可变尺寸图像等挑战使得模型设计的快速迭代十分困难。在整个科学史中，许多重要研究方向都利用小规模实验装置作为培养皿来高效评估探索性想法。在本文中，我们引入了一个极简组织病理学图像分析数据集 (MHIST)，作为组织病理学图像分析的类比培养皿。MHIST 是一个包含 3,152 张固定尺寸结直肠息肉图像的二分类数据集，每张图像均带有由七位认证胃肠病理学家多数投票确定的金标准标签及标注者一致水平。MHIST 占用不到 400 MB 磁盘空间，且使用 NVIDIA RTX 3090 以 3.5 GB 内存在 MHIST 上训练 ResNet-18 基线至收敛仅需 6 分钟。作为示例用例，我们使用 MHIST 研究了数据集规模、网络深度、迁移学习以及高分歧样本如何影响模型性能等自然问题。通过引入 MHIST，我们希望不仅有助于推进当前组织病理学成像研究者的工作，也使该领域对广大社区更为可及。我们的数据集可在 https://bmirds.github.io/MHIST 获取。
引用
@article{arxiv.2101.12355,
title = {A Petri Dish for Histopathology Image Analysis},
author = {Jerry Wei and Arief Suriawinata and Bing Ren and Xiaoying Liu and Mikhail Lisovsky and Louis Vaickus and Charles Brown and Michael Baker and Naofumi Tomita and Lorenzo Torresani and Jason Wei and Saeed Hassanpour},
journal= {arXiv preprint arXiv:2101.12355},
year = {2021}
}
备注
In proceedings of Artificial Intelligence in Medicine (AIME) 2021