一种用于乳腺癌准确转移检测与pN分期分类的鲁棒有效方法
计算机视觉与模式识别
2018-05-31 v1
摘要
预测TNM分期是乳腺癌预后和治疗的主要决定因素。TNM分期分类的关键在于癌症是否已转移至区域淋巴结（N分期）。病理N分期（pN分期）通常由病理学家在组织学切片中检测转移来完成。然而，由于需要彻底审阅的数据量庞大，该诊断过程容易产生误判，且通常需耗费病理学家大量时间。淋巴结转移自动检测与pN分期预测在减轻其工作负担和辅助病理学家方面具有巨大潜力。卷积神经网络（CNN）的最新进展在组织学切片分析中取得了显著改进，但由于千兆像素图像处理的困难，准确性尚未优化。本文提出一种鲁棒的方法，以有效方式从多张千兆像素病理图像中进行乳腺癌转移检测与pN分期分类。pN分期通过结合基于块级CNN的转移检测器与切片级淋巴结分类器来预测。所提框架在Camelyon17数据集上取得了0.9203的当前最优二次加权kappa分数，优于Camelyon17挑战赛此前的获胜方法。
引用
@article{arxiv.1805.12067,
title = {A Robust and Effective Approach Towards Accurate Metastasis Detection and pN-stage Classification in Breast Cancer},
author = {Byungjae Lee and Kyunghyun Paeng},
journal= {arXiv preprint arXiv:1805.12067},
year = {2018}
}
备注
Accepted at MICCAI 2018