基于深度学习的稀疏全切片图像分析用于胃肠化生诊断
图像与视频处理
2022-01-06 v1 计算机视觉与模式识别
机器学习
摘要
近年来，深度学习已成功应用于自动化诊断组织病理学中的多种任务。然而，快速可靠地定位小尺度感兴趣区域(ROI)仍是一项关键挑战，因为判别性形态学特征通常仅占千兆像素级全切片图像(WSI)的一小部分。本文提出一种稀疏WSI分析方法，用于快速识别高倍ROI以实现WSI级分类。我们受早期分类文献启发开发了一个评估框架，以量化稀疏分析方法的诊断性能与推理时间之间的权衡。我们在一个常见但耗时的病理学任务上测试了该方法——即在来自内镜活检标本的苏木精和伊红(H&E)染色切片上诊断胃肠化生(GIM)。GIM是胃癌发生路径中已知的癌前病变。我们在GIM阳性和GIM阴性WSI的测试集上对我们的方法的性能和推理时间进行了全面评估，发现我们的方法在所有阳性WSI中成功检测到GIM，WSI级分类的受试者工作特征曲线下面积(AUC)为0.98，平均精度(AP)为0.95。此外，我们表明在标准CPU上我们的方法可在不到一分钟内达到这些指标。我们的结果有助于实现如下目标：开发可轻松部署于临床环境、支持病理医生快速定位并诊断WSI中小尺度形态学特征的神经网络。
引用
@article{arxiv.2201.01449,
title = {Deep Learning-Based Sparse Whole-Slide Image Analysis for the Diagnosis of Gastric Intestinal Metaplasia},
author = {Jon Braatz and Pranav Rajpurkar and Stephanie Zhang and Andrew Y. Ng and Jeanne Shen},
journal= {arXiv preprint arXiv:2201.01449},
year = {2022}
}