用于全切片图像中肺腺癌生长模式分类的细胞图表示
图像与视频处理
2024-05-17 v2 计算机视觉与模式识别
机器学习
摘要
肺腺癌是一种形态异质性疾病，以五种主要组织学生长模式为特征。这些模式的数量可与肿瘤行为相关，并对患者预后有显著影响。在本工作中，我们提出一种新颖机器学习流程，能够将组织块分类为五种模式之一或非肿瘤，其受试者工作特征曲线下面积（AUCROC）得分为0.97。我们模型的优势在于其对细胞空间模式的综合考虑，其首先从苏木精-伊红（H&E）全切片图像（WSIs）生成细胞图，随后将其输入卷积神经网络分类模型。利用这些细胞图赋予模型对新数据的强泛化能力，与当前最先进方法相比，在未见测试集上取得约30%更高准确率。从我们模型获得的洞察可用于预测预后，改善患者结局。
引用
@article{arxiv.2311.15847,
title = {Cell Maps Representation For Lung Adenocarcinoma Growth Patterns Classification In Whole Slide Images},
author = {Arwa Al-Rubaian and Gozde N. Gunesli and Wajd A. Althakfi and Ayesha Azam and Nasir Rajpoot and Shan E Ahmed Raza},
journal= {arXiv preprint arXiv:2311.15847},
year = {2024}
}