基于深度学习的自动化多进程循环肿瘤细胞检测
计算机视觉与模式识别
2022-08-08 v1 定量方法
摘要
循环肿瘤细胞（CTCs）作为肿瘤预后中的生物标志物具有巨大潜力。然而，识别和后续计数 CTCs 的过程需要人工操作，这既容易出错又耗时。近期，通过使用 Mask-RCNN 进行深度学习的目标检测技术发展以及预训练模型的更广泛可用性，使得能够以前所未有的精度处理此类数据有限的敏感任务。在本报告中，我们提出了一种新颖的三阶段检测模型，用于在多通道暗场显微图像中自动识别循环肿瘤细胞，该模型包括：基于 RetinaNet 的细胞角蛋白（CK）染色识别、基于 Mask-RCNN 的 DAPI 细胞核检测以及用于检测 CD-45 的 Otsu 阈值分割。训练数据集由 46 个高方差数据点组成，其中 10 个为阴性，36 个为阳性。测试集包含 420 个阴性数据点。该流程的最终准确率为 98.81%。
引用
@article{arxiv.2109.12709,
title = {Automated Multi-Process CTC Detection using Deep Learning},
author = {Elena Alexander and Kam W. Leong and Andrew F. Laine},
journal= {arXiv preprint arXiv:2109.12709},
year = {2022}
}