基于分布外数据的全切片图像宫颈腺细胞检测
计算机视觉与模式识别
2022-07-05 v3
摘要
宫颈腺细胞（GC）检测是宫颈腺癌筛查中计算机辅助诊断的关键步骤。在鳞状细胞占多数的宫颈涂片中准确识别GC具有挑战性。整个涂片中广泛存在的分布外（OOD）数据导致GC检测的机器学习系统可靠性下降。尽管最先进（SOTA）的深度学习模型在预选感兴趣区域上可以超越病理医生，但面对此类十亿像素全切片图像时，高概率的大量假阳性（FP）预测问题仍未解决。本文提出一种基于GC形态学先验知识的新型PolarNet，试图通过八邻域自注意力机制解决FP问题。它估计GC细胞核的极坐标方向。作为插件模块，PolarNet可以引导通用目标检测模型的深度特征与预测置信度。实验中，我们发现基于四种不同框架的通用模型能在小图像集上拒绝FP，并使平均精度均值（mAP）平均提升，其中最高超出近期宫颈细胞检测模型0.037。通过插入PolarNet，部署的C++程序在外部WSI的top-20 GC检测准确率上提升8.8%，代价是增加14.4 s计算时间。代码见https://github.com/Chrisa142857/PolarNet-GCdet
引用
@article{arxiv.2205.14625,
title = {Cervical Glandular Cell Detection from Whole Slide Image with Out-Of-Distribution Data},
author = {Ziquan Wei and Shenghua Cheng and Jing Cai and Shaoqun Zeng and Xiuli Liu and Zehua Wang},
journal= {arXiv preprint arXiv:2205.14625},
year = {2022}
}
备注
11 pages, 9 figures