评估域适应技术用于多扫描仪乳腺癌组织病理学图像有丝分裂检测
图像与视频处理
2022-01-19 v3 计算机视觉与模式识别
摘要
乳腺癌是全球诊断最多的癌症，每年新发病例超两百万。在诊断性肿瘤分级中，病理学家手动计数活检或肿瘤切除标本中的分裂细胞（有丝分裂象）数量。由于该过程主观且耗时，数据驱动的人工智能（AI）方法已被开发用于自动检测有丝分裂象。然而，这些方法常泛化性差，性能因组织类型、染色方案或用于数字化全切片图像的扫描仪之差异而降低。域适应方法已在多种应用中被采用以缓解此域偏移问题。我们使用 MIDOG 2021 Challenge 数据集评估了两种无监督域适应方法 CycleGAN 与 Neural Style Transfer。该挑战聚焦于检测由不同扫描仪数字化的全切片图像中的有丝分裂象。基于 U-Net 与 RetinaNet 的两个有丝分裂检测基线模型与上述域适应方法结合进行了研究。两个基线模型均达到人类专家水平性能，但在由不同扫描仪数字化的图像上评估时性能下降。发现这些域适应技术对部分扫描仪数据检测有益，对另一些则无，仅在 RetinaNet 检测器上由 CycleGAN 实现了跨所有扫描仪的平均提升。这些技术需进一步改进以确保有丝分裂检测的一致性。
引用
@article{arxiv.2109.00869,
title = {Assessing domain adaptation techniques for mitosis detection in multi-scanner breast cancer histopathology images},
author = {Jack Breen and Kieran Zucker and Nicolas M. Orsi and Nishant Ravikumar},
journal= {arXiv preprint arXiv:2109.00869},
year = {2022}
}
备注
MIDOG Challenge at MICCAI 2021