面向高度不平衡病理数据的细胞丰度感知深度学习细胞检测
图像与视频处理
2021-02-24 v1 计算机视觉与模式识别
摘要
组织切片的自动化分析有助于更好地理解疾病生物学,并可能揭示可指导预后或治疗选择的生物标志物。在数字病理学中,丰度较低的细胞类型可能具有生物学意义,但其稀缺性会导致有偏且次优的细胞检测模型。为最小化细胞不平衡对细胞检测的影响,我们提出了一种在模型训练期间考虑细胞类型丰度的深度学习流程。生成了细胞权重图像,其对丰度较低的细胞赋予更大权重,并利用这些权重正则化 Dice 重叠损失函数。该模型在骨髓瘤骨髓穿刺样本上训练与评估。我们的模型获得 0.78 的细胞检测 F1 分数,较基线模型提升 2%,且在检测稀有细胞类型上优于基线模型。我们发现,按细胞丰度缩放深度学习损失函数可改善细胞检测性能。我们的结果证明了在具有类别不平衡的病理数据上,将领域知识融入深度学习方法的重要性。
引用
@article{arxiv.2102.11677,
title = {Cell abundance aware deep learning for cell detection on highly imbalanced pathological data},
author = {Yeman Brhane Hagos and Catherine SY Lecat and Dominic Patel and Lydia Lee and Thien-An Tran and Manuel Rodriguez- Justo and Kwee Yong and Yinyin Yuan},
journal= {arXiv preprint arXiv:2102.11677},
year = {2021}
}
备注
Accepted at The IEEE International Symposium on Biomedical Imaging (ISBI) 2021, 5 pages, 5 figures