基于卷积神经网络 Gleason 分级的自动化前列腺癌诊断
图像与视频处理
2020-12-10 v1 计算机视觉与模式识别
机器学习
摘要
使用组织学图像的 Gleason 分级系统是前列腺癌最具效力的诊断与预后预测指标。当前标准检查由病理学家评估 Gleason H&E 染色组织病理学图像。然而，其过程复杂、耗时且受观察者影响。基于深度学习（DL）的方法能自动学习图像特征并获得更高泛化能力，已引起显著关注。然而，挑战依然存在，尤其是使用 DL 训练全切片图像（WSI）——当前诊断环境中的主要临床来源——其包含数十亿像素、形态异质性与伪影。因此，我们提出了一种基于卷积神经网络（CNN）的自动分类方法，利用全切片组织病理学图像对前列腺癌（PCa）进行准确分级。本文提出一种名为基于块的图像重建（PBIR）的数据增强方法，以降低 WSI 的高分辨率并增加其多样性。此外，开发了分布校正（DC）模块，通过调整数据分布增强预训练模型对目标数据集的适应性。另外，提出二次加权均方误差（QWMSE）函数，以减少由相等欧氏距离引起的误诊。我们的实验表明，PBIR、DC 与 QWMSE 函数的组合对于取得优于专家级别的性能是必要的，带来了最佳结果（0.8885 二次加权 kappa 系数）。
引用
@article{arxiv.2011.14301,
title = {Automated Prostate Cancer Diagnosis Based on Gleason Grading Using Convolutional Neural Network},
author = {Haotian Xie and Yong Zhang and Jun Wang and Jingjing Zhang and Yifan Ma and Zhaogang Yang},
journal= {arXiv preprint arXiv:2011.14301},
year = {2020}
}
备注
This article has been removed by arXiv administrators because the submitter did not have the authority to grant the license applied at the time of submission