上下文感知堆叠卷积神经网络用于全切片组织病理学图像中乳腺癌的分类
计算机视觉与模式识别
2017-05-11 v1
摘要
乳腺组织全切片组织病理学图像（WSI）的自动分类需要在非常大上下文区域的高分辨率下进行分析。本文提出上下文感知堆叠卷积神经网络（CNN），用于将乳腺WSI分类为正常/良性、导管原位癌（DCIS）和浸润性导管癌（IDC）。我们首先使用高像素分辨率图像块训练一个CNN以捕获细胞级信息。该模型生成的特征响应随后作为第二CNN的输入，堆叠在第一个之上。使用大输入图像块训练该堆叠架构能够学习细粒度（细胞）细节和组织结构的全局相互依赖关系。我们的系统在包含221张H&E染色乳腺组织标本WSI的数据集上训练和评估。该系统在非恶性和恶性切片的二分类中达到0.962的AUC，并在将WSI分类为正常/良性、DCIS和IDC的三分类任务中获得81.3%的准确率，展示了其在常规诊断中的潜力。
引用
@article{arxiv.1705.03678,
title = {Context-aware stacked convolutional neural networks for classification of breast carcinomas in whole-slide histopathology images},
author = {Babak Ehteshami Bejnordi and Guido Zuidhof and Maschenka Balkenhol and Meyke Hermsen and Peter Bult and Bram van Ginneken and Nico Karssemeijer and Geert Litjens and Jeroen van der Laak},
journal= {arXiv preprint arXiv:1705.03678},
year = {2017}
}