基于深度学习的利用分层无锚框目标检测器对非典型与正常有丝分裂进行亚型分类
计算机视觉与模式识别
2022-12-13 v1
摘要
有丝分裂活性是许多肿瘤恶性程度评估的关键。此外，已有研究表明异常有丝分裂与正常有丝分裂的比例具有预后意义。非典型有丝分裂象（MF）在形态上可识别为染色单体的分离异常。在本工作中，我们首次根据有丝分裂各阶段的特征性形态学表现，将有丝分裂象自动亚型分类为正常与非典型两类。利用公开可用的 MIDOG21 和 TUPAC16 乳腺癌有丝分裂数据集，两名专家盲法将有丝分裂象亚型分类为五种形态学类别。此外，我们搭建了一个最先进的目标检测流程，通过门控分层子类分支扩展无锚框的 FCOS 方法。我们的标注实验表明，有丝分裂象的亚型分类是一项具有挑战性的任务，且容易出现评分者间分歧，我们在 24.89% 的 MF 中发现了此类分歧。使用更具多样性的 MIDOG21 数据集进行训练、TUPAC16 进行测试，我们取得了 0.552 的平均总体平均精度得分、0.833 的非典型/正常 MF 的 ROC AUC 得分，以及用于区分经历有丝分裂的不同细胞阶段的 0.977 的平均类别平均 ROC-AUC 得分。
引用
@article{arxiv.2212.05900,
title = {Deep learning-based Subtyping of Atypical and Normal Mitoses using a Hierarchical Anchor-Free Object Detector},
author = {Marc Aubreville and Jonathan Ganz and Jonas Ammeling and Taryn A. Donovan and Rutger H. J. Fick and Katharina Breininger and Christof A. Bertram},
journal= {arXiv preprint arXiv:2212.05900},
year = {2022}
}
备注
6 pages, 2 figures, 2 tables