全切片组织病理图像中肺癌分割的深度学习方法——ACDC@LungHP挑战赛2019
图像与视频处理
2020-08-24 v1 计算机视觉与模式识别
摘要
在病理切片中准确分割肺癌是改善患者照护的关键步骤。我们提出了ACDC@LungHP（全切片肺组织病理自动癌症检测与分类）挑战赛，用于评估不同计算机辅助诊断（CADs）方法在肺癌自动诊断上的表现。ACDC@LungHP 2019聚焦于全切片成像（WSI）中癌组织的分割（像素级检测），使用了来自200名患者的150张训练图像和50张测试图像的标注数据集。本文回顾了该挑战赛并总结了提交的肺癌分割前十名方法。所有方法均使用假阳性率、假阴性率和DICE系数（DC）进行评估。DC范围从0.73540.1149到0.83720.0858。最佳方法的DC接近于观察者间一致性（0.83980.0890）。所有方法均基于深度学习，并分为两类：多模型方法与单模型方法。总体而言，多模型方法显著优于（<）单模型方法，平均DC分别为0.7966和0.7544。基于深度学习的方法有潜力帮助病理学家发现可疑区域，以进一步分析WSI中的肺癌。
引用
@article{arxiv.2008.09352,
title = {Deep Learning Methods for Lung Cancer Segmentation in Whole-slide Histopathology Images -- the ACDC@LungHP Challenge 2019},
author = {Zhang Li and Jiehua Zhang and Tao Tan and Xichao Teng and Xiaoliang Sun and Yang Li and Lihong Liu and Yang Xiao and Byungjae Lee and Yilong Li and Qianni Zhang and Shujiao Sun and Yushan Zheng and Junyu Yan and Ni Li and Yiyu Hong and Junsu Ko and Hyun Jung and Yanling Liu and Yu-cheng Chen and Ching-wei Wang and Vladimir Yurovskiy and Pavel Maevskikh and Vahid Khanagha and Yi Jiang and Xiangjun Feng and Zhihong Liu and Daiqiang Li and Peter J. Schüffler and Qifeng Yu and Hui Chen and Yuling Tang and Geert Litjens},
journal= {arXiv preprint arXiv:2008.09352},
year = {2020}
}