基于神经条件随机场的癌症转移检测

乳腺癌诊断通常需要通过全切片图像（WSIs）准确检测淋巴结中的转移。深度卷积神经网络（CNNs）的最新进展在医学图像分析尤其是计算组织病理学方面取得了显著成功。由于 WSI 尺寸极大，大多数方法将一张切片划分为大量小图像块并独立地对每个图像块进行分类。然而，相邻图像块通常具有空间相关性，忽略这些空间相关性可能导致不一致的预测。本文中，我们提出一种神经条件随机场（NCRF）深度学习框架来检测 WSI 中的癌症转移。NCRF 通过全连接 CRF 考虑相邻图像块间的空间相关性，该 CRF 直接构建于 CNN 特征提取器之上。整个深度网络可通过标准反向传播算法端到端训练，CRF 组件带来的额外计算开销很小。CNN 特征提取器也可通过 CRF 组件考虑空间相关性而受益。与不考虑空间相关性的基线方法相比，我们展示所提 NCRF 框架获得了具有更好视觉质量的图像块预测概率图。我们还证明我们的方法在 Camelyon16 数据集上的癌症转移检测优于基线，并在测试集上取得平均 FROC 分数 0.8096。NCRF 已在 https://github.com/baidu-research/NCRF 开源。