基于判别块筛选与多实例学习的病理图像乳腺癌分子分型预测
图像与视频处理
2022-03-16 v1 计算机视觉与模式识别
摘要
乳腺癌分子分型是个性化临床治疗的重要参考。为节约成本与人力，通常仅选取患者的一块石蜡块进行后续免疫组化（IHC）以获取分子分型。由于肿瘤异质性，不可避免的采样误差具有风险，并可能导致治疗延误。利用 AI 方法从常规 H&E 病理全切片图像（WSI）预测分子分型，对辅助病理医生为 IHC 预筛合适石蜡块十分有用且关键。这是一项具有挑战性的任务，因为分子分型仅能从 IHC 获得 WSI 级标签。十亿像素 WSI 被划分为海量图块以在计算上适配深度学习。而在粗粒度切片级标签下，基于图块的方法可能受大量噪声图块（如褶皱、过染区域或非肿瘤组织）干扰。本文提出一种基于判别图块筛选与多实例学习的弱监督学习框架，用于从 H&E WSI 预测乳腺癌分子分型。首先，采用协同教学（co-teaching）策略学习分子分型表征并滤除噪声图块；随后，使用平衡采样策略处理数据集中分型的类别不平衡。此外，提出一种基于聚类中心的局部离群因子噪声图块滤波算法，进一步筛选判别图块。最后，采用融合图块与切片约束信息的损失函数，在所得判别图块上微调 MIL 框架，进一步提升分子分型性能。实验结果证实了所提方法的有效性，且我们的模型甚至优于资深病理医生，具有在临床中辅助病理医生为 IHC 预筛石蜡块的潜力。
引用
@article{arxiv.2203.07659,
title = {Breast Cancer Molecular Subtypes Prediction on Pathological Images with Discriminative Patch Selecting and Multi-Instance Learning},
author = {Hong Liu and Wen-Dong Xu and Zi-Hao Shang and Xiang-Dong Wang and Hai-Yan Zhou and Ke-Wen Ma and Huan Zhou and Jia-Lin Qi and Jia-Rui Jiang and Li-Lan Tan and Hui-Min Zeng and Hui-Juan Cai and Kuan-Song Wang and Yue-Liang Qian},
journal= {arXiv preprint arXiv:2203.07659},
year = {2022}
}