基于深度学习的全切片图像结直肠息肉分类
计算机视觉与模式识别
2017-04-14 v2
摘要
结直肠息肉的组织病理学特征是确定结直肠癌风险和患者未来监测频率的重要依据。该特征描述耗时、需要多年专业培训，且存在显著的观察者间和观察者内差异。本工作构建了一种自动图像理解方法，能够准确分类全切片组织学图像中不同类型的结直肠息肉，以辅助病理学家进行结直肠息肉的组织病理学特征描述和诊断。所提出的图像理解方法基于深度学习技术，该技术依赖多层次的数据表示抽象，并在多种图像分析任务中展现出当前最优结果。我们的图像理解方法涵盖了美国多学会工作组结直肠癌风险评估与监测指南中包含的所有五种息肉类型（增生性息肉、无蒂锯齿状息肉、传统锯齿状腺瘤、管状腺瘤和管状绒毛状/绒毛状腺瘤），并包含了结直肠息肉最常见的类型。我们在239个独立测试样本上的评估表明，所提方法能以高效能识别全切片图像中的结直肠息肉类型（准确率：93.0%，精确率：89.7%，召回率：88.3%，F1分数：88.8%）。本文提出的方法可减轻病理学家的认知负担，提高他们在结直肠息肉组织病理学特征描述以及后续风险评估和随访建议中的准确性和效率。
引用
@article{arxiv.1703.01550,
title = {Deep-Learning for Classification of Colorectal Polyps on Whole-Slide Images},
author = {Bruno Korbar and Andrea M. Olofson and Allen P. Miraflor and Katherine M. Nicka and Matthew A. Suriawinata and Lorenzo Torresani and Arief A. Suriawinata and Saeed Hassanpour},
journal= {arXiv preprint arXiv:1703.01550},
year = {2017}
}