面向数字病理图像分析的先进深度卷积神经网络方法：基于不同用例的综合评估
计算机视觉与模式识别
2019-04-22 v1
摘要
深度学习方法（DL）已在包括数字病理图像分析（DPIA）在内的医学影像多个模态中提供最先进的性能。在众多不同的DL方法中，深度卷积神经网络（DCNN）技术在分类、分割和检测任务上提供了优越性能。DPIA中的大多数任务在某种程度上都可通过分类、分割和检测方法解决。此外，有时会应用前处理和后处理方法以解决某些特定类型的问题。近来，包括Inception残差循环CNN（IRRCNN）、密集连接循环卷积网络（DCRCN）、循环残差U-Net（R2U-Net）以及基于R2U-Net的回归模型（UD-Net）在内的不同DCNN模型被提出，并在计算机视觉和医学图像分析的不同任务中提供最先进性能。然而，这些先进DCNN模型尚未被探索用于解决与DPIA相关的不同问题。在本研究中，我们应用这些DCNN技术解决不同的DPIA问题，并在公开可用的基准数据集上针对数字病理学的七项不同任务进行评估，包括淋巴瘤分类、浸润性导管癌（IDC）检测、细胞核分割、上皮分割、小管分割、淋巴细胞检测和有丝分裂检测。实验结果采用不同性能指标评估，如灵敏度、特异度、准确率、F1分数、受试者工作特征（ROC）曲线、Dice系数（DC）和均方误差（MSE）。结果表明，相较于现有的机器学习和基于DCNN的方法，其在分类、分割和检测任务上具有优越性能。
引用
@article{arxiv.1904.09075,
title = {Advanced Deep Convolutional Neural Network Approaches for Digital Pathology Image Analysis: a comprehensive evaluation with different use cases},
author = {Md Zahangir Alom and Theus Aspiras and Tarek M. Taha and Vijayan K. Asari and TJ Bowen and Dave Billiter and Simon Arkell},
journal= {arXiv preprint arXiv:1904.09075},
year = {2019}
}
备注
25 pages, 28 figures, 9 tables