MIDOG 2025：面向域鲁棒的有丝分裂图案检测的两阶段方法的挑战与经验教训
图像与视频处理
2025-09-04 v1 计算机视觉与模式识别
摘要
有丝分裂图案检测在计算病理学中仍是一个具有挑战性的任务，由于域变异和形态复杂性。本文描述了我们参加MIDOG 2025挑战的过程，专注于跨不同组织域的稳健有丝分裂图案检测。我们开发了一个两阶段管道，将Faster R-CNN用于候选检测，以及三个分类器（DenseNet-121、EfficientNet-v2、InceptionResNet-v2）的集成，用于误报消除。我们最佳的提交版本在仅使用MIDOG++数据集训练的Faster R-CNN上实现了F1分数为0.2237（召回率: 0.9528, 精度: 0.1267）。虽然我们的高召回率表明有效的有丝分裂图案检测，但严重低的精度（12.67%）揭示了在不同域之间区分真实有丝分裂和形态上类似的冒充者方面的根本挑战。对六个提交变体的分析显示，后续的优化尝试反而适得其反，凸显了组织病理学中域泛化的复杂性。这项工作为开发稳健的有丝分裂图案检测算法提供了宝贵的见解，并强调了有效误报抑制策略的重要性。
引用
@article{arxiv.2509.02630,
title = {Challenges and Lessons from MIDOG 2025: A Two-Stage Approach to Domain-Robust Mitotic Figure Detection},
author = {Euiseop Song and Jaeyoung Park and Jaewoo Park},
journal= {arXiv preprint arXiv:2509.02630},
year = {2025}
}