基于卷积神经网络与注意力机制的子宫内膜组织学图像计算机辅助诊断
计算机视觉与模式识别
2020-06-23 v1
摘要
子宫癌又称子宫内膜癌，可严重影响女性生殖器官，而组织学图像分析是诊断子宫内膜癌的金标准。然而，由于对传统机器学习算法建立的计算机辅助诊断（CADx）方法难以建模组织学图像与其解读之间的复杂关系，这类方法常无法取得令人满意的结果。在本研究中，我们开发了一种使用卷积神经网络（CNN）与注意力机制的 CADx 方法，称为 HIENet。由于 HIENet 使用了注意力机制与特征图可视化技术，它可通过突出局部（像素级）图像特征与子宫内膜组织形态学特征的组织学相关性，为病理医生提供更好的诊断可解释性。在十折交叉验证过程中，该 CADx 方法 HIENet 对四类子宫内膜组织（即正常子宫内膜、子宫内膜息肉、子宫内膜增生与子宫内膜腺癌）取得了 76.91 1.17%（均值 标准差）的分类准确率。此外，在检测子宫内膜样腺癌（恶性）的二分类任务中，HIENet 取得了 0.9579 0.0103 的曲线下面积（AUC）、81.04 3.87% 的灵敏度与 94.78 0.87% 的特异度。另外，在外部验证过程中，HIENet 在四分类任务中取得了 84.50% 的准确率，并在二分类中取得了 0.9829 的 AUC、77.97%（95% CI，65.27%-87.71%）的灵敏度与 100%（95% CI，97.42%-100.00%）的特异度。总之，所提出的 CADx 方法 HIENet 在该由 3,500 张苏木精-伊红（H&E）染色图像组成的小规模数据集上，总体分类性能优于三位人类专家与四个端到端基于 CNN 的分类器。
引用
@article{arxiv.1904.10626,
title = {Computer-aided diagnosis in histopathological images of the endometrium using a convolutional neural network and attention mechanisms},
author = {Hao Sun and Xianxu Zeng and Tao Xu and Gang Peng and Yutao Ma},
journal= {arXiv preprint arXiv:1904.10626},
year = {2020}
}
备注
22 pages, 8 figures, and 4 tables