卷积神经网络：用于术中 CLE 图像的集成建模、微调与无监督语义定位
计算机视觉与模式识别
2018-08-21 v2 定量方法
摘要
共聚焦激光内窥显微镜 (CLE) 是一种先进的光学荧光技术，正在评估用于脑肿瘤手术中的应用。尽管其有前景的潜力，解释不熟悉的荧光染色灰度图像可能很困难。许多 CLE 图像可能因运动、极低或极高的荧光信号而失真，或被红细胞堆积遮挡，这些可被解释为非诊断性的。然而，仅一张整洁的 CLE 图像可能足以用于肿瘤的术中诊断。虽然在手术期间手动检查数千张非诊断图像是不切实际的，但这为模型选择诊断图像供病理学家或外科医生审查创造了机会。在本研究中，我们试图利用手动标注的数据集开发深度学习模型自动检测诊断图像，并采用基于患者的嵌套交叉验证方法探索模型的泛化性。我们探索了各种训练机制：深度训练、浅层微调与深度微调。此外，我们通过组合在开发阶段精心制作的 top-5 单模型研究了集成建模的效果。我们通过浅层和深层神经激活的可视化从诊断性 CLE 图像中定位了组织学特征。我们的评分者间实验结果表明，我们的深度微调模型集成与金标准的一致性高于其他观察者。凭借所提方法的速度和精度（110 images/second；在金标准测试子集上 85%），它有潜力被整合到脑肿瘤手术的手术工作流程中。
引用
@article{arxiv.1709.03028,
title = {Convolutional Neural Networks: Ensemble Modeling, Fine-Tuning and Unsupervised Semantic Localization for Intraoperative CLE Images},
author = {Mohammadhassan Izadyyazdanabadi and Evgenii Belykh and Michael Mooney and Nikolay Martirosyan and Jennifer Eschbacher and Peter Nakaji and Mark C. Preul and Yezhou Yang},
journal= {arXiv preprint arXiv:1709.03028},
year = {2018}
}
备注
The related work was updated