通过密集实例分割推进肾活检病变评估
计算机视觉与模式识别
2024-12-19 v3 人工智能
摘要
肾活检是肾病诊断的金标准。肾脏病理医生的病变评分半定量且观察者间变异性高。在分割解剖结构中自动分类病变可为量化分析提供决策支持，从而降低观察者间变异性。然而，在感兴趣区域（ROIs）中分类病变临床挑战大，因为（a）大量密集排布的解剖对象，（b）不同区室（至少 3 类）间类别不平衡，（c）解剖对象尺寸与形状显著变化，以及（d）每解剖结构存在多标签病变。现有模型无法高效且通用地应对这些复杂性。本文提出一种针对来自不同来源（病理科）含不同类型病变数据集的通用解决方案分析。我们的方法使用两个子网络：密集实例分割与病变分类。我们引入 DiffRegFormer，一种端到端密集实例分割子网络，专为 ROIs 内多类多尺度对象设计。结合扩散模型、transformers 与 RCNNs，DiffRegFormer 是计算友好框架，可高效识别 ROIs 内三个解剖类（即肾小球、小管与动脉）超 500 个对象。在来自 148 张 Jones 银染肾全切片图像（WSIs）的 303 个 ROIs 数据集中，我们的方法优于先前方法，检测平均精度达 52.1%，分割达 46.8%。此外，病变分类子网络在 303 个 ROIs 中 21889 个对象块上取得 89.2% 精度与 64.6% 召回。最后，我们的模型无需微调即可直接域迁移至 PAS 染肾 WSIs。
引用
@article{arxiv.2309.17166,
title = {Advances in Kidney Biopsy Lesion Assessment through Dense Instance Segmentation},
author = {Zhan Xiong and Junling He and Pieter Valkema and Tri Q. Nguyen and Maarten Naesens and Jesper Kers and Fons J. Verbeek},
journal= {arXiv preprint arXiv:2309.17166},
year = {2024}
}