一种三合一自底向上框架：数字癌症组织学中多器官细胞核的同步语义分割、实例分割与分类
计算机视觉与模式识别
2024-04-29 v1 机器学习
摘要
数字组织学中细胞核的同步分割与分类在计算机辅助癌症诊断中起着至关重要的作用；然而这仍然具有挑战性。已实现的最高二值与多类全景质量（PQ）分别仅为 0.68 bPQ 与 0.49 mPQ。这是由于更高的染色变异性、组织间变异性、粗糙的临床条件、重叠细胞核以及核类别不平衡所致。通用深度学习方法通常依赖端到端模型，未能明确解决这些与数字组织学相关的问题。在我们先前的工作 DAN-NucNet 中，我们通过端到端模型解决了语义分割的这些问题。本工作将我们先前模型扩展至同步实例分割与分类。我们引入了带独立加权损失的额外解码器头，产生语义分割、边缘提议与分类图。我们使用三头模型的输出进行后处理以生成最终分割与分类。与大多数最先进方法所采用的直接分割与分类策略相比，我们的多阶段方法利用了边缘提议与语义分割。因此，我们展示了在生成高质量实例分割与细胞核分类方面的显著性能提升。我们取得了 0.841 的语义分割 Dice 分数、0.713 的实例分割 bPQ 分数以及 0.633 的细胞核分类 mPQ。我们提出的框架可泛化至 19 种组织类型。此外，该框架相较于最先进方法复杂度更低。
引用
@article{arxiv.2308.11179,
title = {A three in one bottom-up framework for simultaneous semantic segmentation, instance segmentation and classification of multi-organ nuclei in digital cancer histology},
author = {Ibtihaj Ahmad and Syed Muhammad Israr and Zain Ul Islam},
journal= {arXiv preprint arXiv:2308.11179},
year = {2024}
}