深度学习方法解读AgNOR染色细胞学样本的比较分析
图像与视频处理
2022-10-20 v1 计算机视觉与模式识别
定量方法
摘要
宫颈癌是一个公共卫生问题，若及早发现，治疗成功的机会更大。分析为人工过程，易受人误影响，因此本文提供一种利用深度学习方法分析嗜银核仁形成区（AgNOR）染色玻片的方式。此外，本文比较了实例与语义检测方法的模型。我们的结果显示，以ResNet-18或ResNet-34为骨干的U-Net语义分割结果相近，最佳模型在细胞核、簇和卫星结构上的IoU分别为0.83、0.92和0.99。对于实例分割，使用ResNet-50的Mask R-CNN在视觉检查中表现更优，IoU指标为0.61。我们得出结论：实例分割与语义分割模型可组合使用，构建级联模型以选中细胞核并随后分割该细胞核及其相应的核仁形成区（NORs）。
引用
@article{arxiv.2210.10641,
title = {Comparative analysis of deep learning approaches for AgNOR-stained cytology samples interpretation},
author = {João Gustavo Atkinson Amorim and André Victória Matias and Allan Cerentini and Luiz Antonio Buschetto Macarini and Alexandre Sherlley Onofre and Fabiana Botelho Onofre and Aldo von Wangenheim},
journal= {arXiv preprint arXiv:2210.10641},
year = {2022}
}