前列腺组织学图像中筛状生长模式的自动检测
图像与视频处理
2020-09-14 v2 计算机视觉与模式识别
摘要
前列腺癌中的筛状生长模式与不良预后相关。我们旨在引入一种深度学习方法以自动检测此类模式。为此，训练卷积神经网络在128例前列腺穿刺活检标本上检测筛状生长模式。训练过程中采用集成学习并考虑其他肿瘤生长模式，以应对异质且有限的肿瘤组织出现情况。应用ROC和FROC分析评估网络在检测含筛状生长模式活检标本方面的性能。ROC分析得到的曲线下平均面积达0.81。FROC分析显示，对于大于0.0150 mm2的区域，灵敏度为0.9，平均假阳性数为7.5。为对方法性能在观察者内标注变异性方面进行基准测试，病理学家对假阳性和假阴性检测结果进行了重新评估。病理学家认为9%的假阳性区域为筛状，11%可能为筛状；44%的假阴性区域未被标注为筛状。作为最终实验，该网络还应用于由23名病理学家标注的60个活检区域的数据集。在达到最高灵敏度的截断值下，所有被至少7/23名病理学家标注为筛状的图像均被网络检测为筛状，且60幅图像中有9幅被检测为筛状而没有任何病理学家将其标注为如此。总之，所提出的深度学习方法对检测筛状生长模式具有高灵敏度，代价是有限数量的假阳性。它能够检测到被至少少数病理学家标注为筛状的区域。因此，它可通过提示可疑区域来辅助临床决策。
引用
@article{arxiv.2003.10543,
title = {Automated Detection of Cribriform Growth Patterns in Prostate Histology Images},
author = {Pierre Ambrosini and Eva Hollemans and Charlotte F. Kweldam and Geert J. L. H. van Leenders and Sjoerd Stallinga and Frans Vos},
journal= {arXiv preprint arXiv:2003.10543},
year = {2020}
}
备注
15 pages, 6 figures