使用深度集成学习和基于规则的细化对 MIDOG25 挑战中的细胞核分裂形态进行分类
计算机视觉与模式识别
2025-08-29 v1
摘要
细胞核分裂形态 (mitotic figures, MFs) 是肿瘤分级中相关的生物标志物。区分异常 MFs (atypical MFs, AMFs) 与正常 MFs (normal MFs, NMFs) 仍然困难，因为手动注释耗时且主观。本文训练了一个 ConvNeXtBase 模型的集成模型，并配备 AUCMEDI，扩展了一个基于规则的细化 (rule-based refinement, RBR) 模块。在 MIDOG25 初步测试集上，该集成实现了 84.02\% 的平衡准确率。虽然 RBR 增加了特异性，但降低了灵敏度和整体性能。结果表明，深度集成在 AMF 分类方面表现良好。RBR 可提高特定指标，但需要进一步研究。
引用
@article{arxiv.2508.20919,
title = {Classifying Mitotic Figures in the MIDOG25 Challenge with Deep Ensemble Learning and Rule Based Refinement},
author = {Sara Krauss and Ellena Spieß and Daniel Hieber and Frank Kramer and Johannes Schobel and Dominik Müller},
journal= {arXiv preprint arXiv:2508.20919},
year = {2025}
}
备注
Submission as part of the MICCAI MIDOG25 challenge