结合迁移学习和广泛几何数据增强的多神经网络组合用于评估组织病理学图像中的细胞性评分
图像与视频处理
2022-11-10 v1 计算机视觉与模式识别
医学物理
摘要
组织样本中癌细胞性的分类目前是由病理学家执行的手动过程。正确确定癌细胞性的过程可能非常耗时。深度学习（DL）技术因其展现出的可与病理学家媲美的准确性和性能，在此用途上变得尤为流行。本工作研究了两种DL方法在SPIE-AAPM-NCI BreastPathQ挑战赛数据集的全切片图像（WSI）中评估癌细胞性的能力。使用一种称为平均预测概率PK的修正Kendall Tau-b预测概率度量，分析了通过旋转进行数据增强训练以及将多个架构组合成单一网络的效果。一个深度、迁移学习的卷积神经网络（CNN）InceptionV3被用作基线，达到了0.884的平均PK值，相比病理学家达到的0.83的平均PK值有所提高。随后，该网络在额外旋转了1到360度的训练数据集上进行训练，观察到PK峰值提升高达4.2%。一个由InceptionV3网络和VGG16（一个浅层、迁移学习的CNN）组成的额外架构以并行架构方式组合。该并行架构达到了0.907的基线平均PK值，在统计上显著优于任一架构的单独性能（通过非配对t检验，p<0.0001）。
引用
@article{arxiv.2211.04675,
title = {Combination of multiple neural networks using transfer learning and extensive geometric data augmentation for assessing cellularity scores in histopathology images},
author = {Jacob D. Beckmann and Kosta Popovic},
journal= {arXiv preprint arXiv:2211.04675},
year = {2022}
}
备注
7 pages (includes a cover page), 5 figures, 1 table, work addresses the BreastPathQ challenge