基于深度交互学习的H&E染色全切片图像卵巢癌分割以研究BRCA突变的形态学模式
图像与视频处理
2022-03-30 v1 计算机视觉与模式识别
摘要
深度学习已被广泛用于分析数字化的苏木精-伊红（H&E）染色组织病理学全切片图像。利用深度学习进行自动癌症分割可用于诊断恶性肿瘤，并发现预测分子亚型的新型形态学模式。为训练逐像素的癌症分割模型，病理医生的手动标注通常因其耗时性质而成为瓶颈。在本文中，我们提出使用来自不同癌症类型的预训练分割模型进行深度交互学习，以减少手动标注时间。不必在十亿像素全切片图像上标注癌与非癌区域的所有像素，而是通过迭代过程标注分割模型的错标区域并用附加标注训练/微调模型来减少时间。特别是，采用预训练分割模型比从零开始标注能进一步减少时间。我们通过3.5小时手动标注，利用预训练的乳腺分割模型训练了准确的卵巢癌分割模型，其交并比为0.74、召回率为0.86、精确率为0.84。利用自动提取的高级别浆液性卵巢癌图块，我们尝试训练另一深度学习模型以预测BRCA突变。该分割模型与代码已发布于https://github.com/MSKCC-Computational-Pathology/DMMN-ovary。
引用
@article{arxiv.2203.15015,
title = {Deep Interactive Learning-based ovarian cancer segmentation of H&E-stained whole slide images to study morphological patterns of BRCA mutation},
author = {David Joon Ho and M. Herman Chui and Chad M. Vanderbilt and Jiwon Jung and Mark E. Robson and Chan-Sik Park and Jin Roh and Thomas J. Fuchs},
journal= {arXiv preprint arXiv:2203.15015},
year = {2022}
}