ConCORDe-Net：用于多重免疫组化图像中细胞检测的细胞计数正则化卷积神经网络
图像与视频处理
2019-08-05 v1 计算机视觉与模式识别
机器学习
摘要
在数字病理学中，细胞检测与分类通常是量化细胞丰度并探索组织空间异质性的前提。然而，由于染色、表达强度的高变异性以及预处理伪影导致的固有噪声，这些任务对于多重免疫组化（mIHC）图像尤为具有挑战性。我们提出了一种深度学习方法，用于检测和分类乳腺癌 mIHC 全肿瘤切片图像中的细胞。受 inception-v3 启发，我们开发了细胞计数正则化卷积神经网络（ConCORDe-Net），其将常规 dice 重叠与一种新的细胞计数损失函数相整合以优化细胞检测，随后采用多阶段卷积神经网络进行细胞分类。总计由专家从 6 张全肿瘤 mIHC 图像提取的 175 个图块中标注了属于 5 个细胞类别的 20447 个细胞。这些图块被随机划分为训练、验证和测试集。使用 ConCORDe-Net，我们获得了 0.873 的细胞检测 F1 分数，相较于三种 SOTA 方法为最佳分数。特别地，与其他方法相比，ConCORDe-Net 擅长检测紧密相邻和弱染色的细胞。在目标函数中引入细胞计数损失可正则化网络以学习弱梯度边界并将弱染色细胞与背景伪影分离。此外，达到了 96.5% 的细胞分类准确率。这些结果支持将细胞计数等问题特定知识融入基于深度学习的细胞检测架构可提升算法的鲁棒性。
引用
@article{arxiv.1908.00907,
title = {ConCORDe-Net: Cell Count Regularized Convolutional Neural Network for Cell Detection in Multiplex Immunohistochemistry Images},
author = {Yeman Brhane Hagos and Priya Lakshmi Narayanan and Ayse U. Akarca and Teresa Marafioti and Yinyin Yuan},
journal= {arXiv preprint arXiv:1908.00907},
year = {2019}
}
备注
MICCAI2019 accepted, 3 figures,8.5 pages