用于有丝分裂计数的深度特征融合
计算机视觉与模式识别
2022-02-18 v3 机器学习
机器学习
摘要
居住在美国的每位女性患浸润性乳腺癌的概率约为1/8。有丝分裂细胞计数是评估乳腺癌侵袭性或分级的最常用检测之一。在此预后评估中，病理学家须使用高分辨率显微镜检查组织病理学图像以计数细胞。遗憾的是，这是一项耗费精力的任务且可重复性较差，尤其对非专家而言。深度学习网络近期已被应用于医学应用，能够自动定位这些感兴趣区域。然而，这些基于区域的网络难以利用全图像CNN产生的分割特征，而后者常被作为单一的检测方法。因此，本文提出的方法利用Faster RCNN进行目标检测，同时将UNet生成的分割特征与RGB图像特征相融合，在MITOS-ATYPIA 2014有丝分裂计数挑战数据集上取得了0.508的F值，优于当前最优方法。
引用
@article{arxiv.2002.03781,
title = {Deep Feature Fusion for Mitosis Counting},
author = {Robin Elizabeth Yancey},
journal= {arXiv preprint arXiv:2002.03781},
year = {2022}
}