用于组织病理学图像中多器官细胞核分割的深度对抗训练
计算机视觉与模式识别
2018-10-23 v2
摘要
细胞核分割是一项基础任务，对包括细胞核形态分析、细胞类型分类和癌症分级在内的多种计算病理学应用至关重要。传统的基于视觉的细胞核分割方法在困难情形下表现不佳，而深度学习方法已被证明更鲁棒且可泛化。然而，CNN 需要大量标注的组织病理学数据。此外，传统的基于 CNN 的方法缺乏区分重叠与成团细胞核所需的结构化预测能力。在此，我们提出一种利用条件生成对抗网络(cGAN)以合成与真实数据训练的细胞核分割方法克服这些挑战。我们使用非配对 GAN 框架生成具有完美细胞核分割标签的大量 H&E 训练图像。该合成数据连同来自六个不同器官的真实组织病理学数据用于训练带谱归一化与梯度惩罚的条件 GAN 以进行细胞核分割。与常规 CNN 模型相比，此对抗回归框架强制更高阶一致性。我们证明该细胞核分割方法可跨不同器官、部位、患者与疾病状态泛化，并优于常规方法，尤其在隔离单个与重叠细胞核方面。
引用
@article{arxiv.1810.00236,
title = {Deep Adversarial Training for Multi-Organ Nuclei Segmentation in Histopathology Images},
author = {Faisal Mahmood and Daniel Borders and Richard Chen and Gregory N. McKay and Kevan J. Salimian and Alexander Baras and Nicholas J. Durr},
journal= {arXiv preprint arXiv:1810.00236},
year = {2018}
}