基于YOLO的肾脏H&E与PAS图像中肾小球检测研究
图像与视频处理
2023-07-26 v1 计算机视觉与模式识别
机器学习
摘要
背景：分析数字病理图像对于通过研究组织模式和细胞形态得出诊断结论十分必要。然而，人工评估可能耗时、昂贵且容易出现观察者间和观察者内的差异。目的：为使用计算机化方案辅助病理学家，必须提出自动化的组织结构检测与分割方法。此外，为组织病理学图像生成像素级目标标注昂贵且耗时。因此，带有边界框标签的检测模型可能是一种可行的解决方案。设计：本文研究了YOLO-v4（You-Only-Look-Once），一种用于显微图像的实时目标检测器。YOLO使用单一神经网络预测多个边界框及感兴趣目标的类别概率。YOLO可通过在全切片图像上训练来提升检测性能。本文使用YOLO-v4进行人肾脏图像中的肾小球检测。基于两个公共数据集和密歇根大学的一个私有数据集的不同训练数据，设计并开展了多项实验以微调模型。模型在密歇根大学的私有数据集上进行了测试，作为对两种不同染色即苏木精和伊红（H&E）以及 periodic acid-Schiff（PAS）的外部验证。结果：讨论了所有实验的平均特异性和敏感性，以及现有分割方法在同一数据集上的比较。结论：使用现代AI模型实现人肾脏图像中肾小球的自动检测是可行的。针对不同染色的设计和验证仍依赖于公共多染色数据集的变异性。
引用
@article{arxiv.2307.13199,
title = {An Investigation into Glomeruli Detection in Kidney H&E and PAS Images using YOLO},
author = {Kimia Hemmatirad and Morteza Babaie and Jeffrey Hodgin and Liron Pantanowitz and H. R. Tizhoosh},
journal= {arXiv preprint arXiv:2307.13199},
year = {2023}
}