基于深度学习的睾丸组织组化图像中管状上皮层分割方法
图像与视频处理
2023-05-17 v1 人工智能
计算机视觉与模式识别
摘要
人们日益关注男性生殖受环境化学品影响的问题。利用野生动物作为监测对象并通过组织病理学评估睾丸毒性，是确定环境污染物不良效应的一种途径。在组织病理学定量评估中，自动化方法是对抗人工评估主观性并加速流程的必要工具。我们提出一种处理睾丸组织学图像的自动化方法。分割曲细精管上皮层是开发检测组织异常的自动化方法的前提。我们提出一种编码器-解码器全连接卷积神经网络（F-CNN）模型，用于分割组织学图像中曲细精管的上皮层。在编码器中采用 ResNet-34 模块引入了捷径机制，以避免梯度消失并加速网络收敛。挤压与激励（SE）注意力块被集成到编码模块中，改善了上皮的分割与定位。我们将所提方法应用于二分类问题，其中小管上皮层为目标类。该方法的 f-score 与 IoU 分别为 0.85 和 0.92。尽管所提方法在有限的训练集上训练，它在独立数据集上表现良好，并优于其他 SOTA 方法。编码器中预训练的 ResNet-34 与解码器中提出的注意力块带来了更好的分割与泛化能力。所提方法可应用于任意哺乳动物物种的睾丸组织图像，并可作为全自动化睾丸组织处理流程的第一部分。数据集与代码已在 GitHub 公开。
引用
@article{arxiv.2301.09887,
title = {Deep learning-based method for segmenting epithelial layer of tubules in histopathological images of testicular tissue},
author = {Azadeh Fakhrzadeh and Pouya Karimian and Mahsa Meyari and Cris L. Luengo Hendriks and Lena Holm and Christian Sonne and Rune Dietz and Ellinor Spörndly-Nees},
journal= {arXiv preprint arXiv:2301.09887},
year = {2023}
}
备注
submitted to Journal of Medical Imaging, 16 pages, 5 figures