用于胶质瘤细胞核图像分类的中心聚焦多任务CNN与注入特征
计算机视觉与模式识别
2017-01-11 v2
摘要
对胶质瘤细胞核的各种形状和属性进行分类对于诊断和理解该疾病至关重要。我们研究了在自动分割的细胞核病理图像上使用卷积神经网络（CNN）对胶质瘤细胞核形状和视觉属性进行自动分类。我们提出了三种方法，以改进先前开发的半监督CNN的性能。首先，我们提出一种方法，使CNN能够聚焦于图像最重要的部分——包含细胞核的图像中心。其次，我们将预提取的VGG特征注入（拼接）到我们的半监督CNN的一个中间层，以便在训练期间，CNN能够学习一组互补特征。第三，我们将两组目标类别（细胞核形状和属性）的损失分离为单标签损失和多标签损失，从而可以纳入标签间互斥性的先验知识。在一个包含2078张图像的数据集上，与同一数据集上现有的最先进方法相比，所提出的方法组合将属性和形状分类的错误率分别降低了21.54%和15.07%。
引用
@article{arxiv.1612.06825,
title = {Center-Focusing Multi-task CNN with Injected Features for Classification of Glioma Nuclear Images},
author = {Veda Murthy and Le Hou and Dimitris Samaras and Tahsin M. Kurc and Joel H. Saltz},
journal= {arXiv preprint arXiv:1612.06825},
year = {2017}
}