用于改进组织病理图像自动筛查的条件深度卷积神经网络
图像与视频处理
2021-06-01 v1 计算机视觉与模式识别
摘要
组织病理切片中乳腺癌转移的语义分割是一项具有挑战性的任务。事实上，组织病理图像数据特征上的显著变化（域偏移）使得深度学习难以泛化到未见过的数据。我们的目标是通过使用条件全卷积网络（co-FCN）来解决这一挑战，该网络在运行时可对输出进行调节，并且当使用适当选择的参考切片来调节输出时，能够提升其性能。我们将最初应用于体医学图像中器官分割的 co-FCN 适配到我们的任务中，并在 CAMELYON17 数据集中五个医疗中心里其中三个的整张切片图像（WSIs）上对其进行训练。我们在其余中心的 WSIs 上测试了该网络的性能。我们还开发了一种自动选择策略用于选取调节子集，该策略基于对一组目标特定的参考图像块应用无监督聚类过程，随后采用依赖于聚类与输入图像块相似度的选择策略。我们将所提方法与在相同数据集上训练且无调节的 U-Net 进行了基准对比。在用作测试的来自医疗中心的含有孤立肿瘤细胞和微转移的 WSIs 上，条件网络表现出优于 U-Net 的性能。我们的贡献在于一种可应用于组织病理学领域的架构，以及一种用于选择调节数据的自动化流程。
引用
@article{arxiv.2105.14338,
title = {Conditional Deep Convolutional Neural Networks for Improving the Automated Screening of Histopathological Images},
author = {Gianluca Gerard and Marco Piastra},
journal= {arXiv preprint arXiv:2105.14338},
year = {2021}
}