BreastRegNet：用于乳腺Faxitron与病理图像配准的深度学习框架
图像与视频处理
2024-01-19 v1 计算机视觉与模式识别
机器学习
摘要
乳腺癌的标准治疗方案包括新辅助治疗后手术切除肿瘤及周围组织。病理学家通常依赖柜式X射线照片（称为Faxitron）检查切除的乳腺组织并诊断残余病灶的范围。然而，准确确定残余癌的位置、大小和灶性可能具有挑战性，错误的评估可能导致临床后果。利用自动化方法可以改进病理学流程，使病理学家能够更有效、更精确地选择采样区域。尽管已认识到其必要性，但目前尚无此类方法可用。训练此类自动检测模型需要准确的体外放射影像真实标签，这可以通过配准Faxitron和病理图像并将癌症范围从病理图像映射到X射线图像来获得。本研究介绍了一种基于深度学习的图像配准方法，该方法在单模态合成图像对上训练。模型使用了50名接受新辅助化疗并接受手术的女性的数据进行训练。结果表明，我们的方法速度更快，且平均地标误差（ mm）显著低于最先进的迭代方法（ mm）和深度学习方法（ mm）。我们的方法在整合放射学和病理学信息方面的性能提升有助于生成大规模数据集，从而训练更准确的乳腺癌检测模型。
引用
@article{arxiv.2401.09791,
title = {BreastRegNet: A Deep Learning Framework for Registration of Breast Faxitron and Histopathology Images},
author = {Negar Golestani and Aihui Wang and Gregory R Bean and Mirabela Rusu},
journal= {arXiv preprint arXiv:2401.09791},
year = {2024}
}