利用全局空间上下文实现皮肤癌组织学中细胞的准确分类
计算机视觉与模式识别
2018-08-08 v1
摘要
在先前无法治愈的黑色素瘤（一种高度侵袭性皮肤癌）患者的免疫治疗临床试验中观察到的显著疗效，呼吁我们更好地理解癌-免疫界面。计算病理学提供了一个独特的机会，在数字化病理切片上对该界面进行空间解析。准确的细胞分类是确保结果有意义的关键，但即使使用最先进的机器学习和深度学习方法，这也常常具有挑战性。我们提出了一种分层框架，它反映了病理学家感知肿瘤结构并定义肿瘤异质性的方式，以改进仅依赖细胞核形态学的细胞分类方法。使用SLIC超像素算法在黑色素瘤皮肤癌的低分辨率H&E染色组织学图像中分割并分类肿瘤区域，以提供全局上下文。将超像素分类为肿瘤、间质、表皮和管腔/空白区域，在TCGA黑色素瘤数据集的58张全肿瘤图像中获得了97.7%的训练集准确率和95.7%的测试集准确率。将超像素分类投射到高分辨率图像上，以增强基于细胞核形态特征的单细胞分类器的性能，使其准确率从86.4%提升至91.6%。此外，提出了一种投票方案，将全局上下文作为生物学先验知识使用，将准确率进一步提升至92.8%。本研究展示了如何利用全局空间上下文准确刻画肿瘤微环境，并使我们可以显著超越单细胞形态学分类。
引用
@article{arxiv.1808.02355,
title = {Capturing global spatial context for accurate cell classification in skin cancer histology},
author = {Konstantinos Zormpas-Petridis and Henrik Failmezger and Ioannis Roxanis and Matthew Blackledge and Yann Jamin and Yinyin Yuan},
journal= {arXiv preprint arXiv:1808.02355},
year = {2018}
}
备注
Accepted by MICCAI COMPAY 2018 workshop