用于共聚焦激光显微图像中结肠癌分类的深度迁移学习方法
计算机视觉与模式识别
2019-05-28 v1 图像与视频处理
摘要
目的：腹膜中结直肠癌转移检测的黄金标准是移除组织样本的组织学评估。为了术中反馈，已提出使用共聚焦激光显微镜的实时活体成像，通过专家手动评估来区分良性和恶性组织。自动图像分类可通过提供即时反馈进一步改善手术流程。方法：我们分析了在结肠和腹膜中通过共聚焦激光显微镜对组织进行分类的可行性。为此，我们采用经典和最先进的卷积神经网络直接从图像中学习。由于可用数据集较小，我们研究了多种迁移学习策略，包括部分冻结变体和全微调。我们处理不同组织类型以及良性和恶性组织的区分。结果：我们给出了针对共聚焦激光显微镜结直肠癌的迁移学习策略的深入分析。在腹膜中，转移分类的AUC为97.1，在结肠中，原发灶分类的AUC为73.1。总体而言，迁移学习相比从头训练大幅提升了性能。我们发现最优迁移学习策略因模型和分类任务而异。结论：我们证明了卷积神经网络和迁移学习可用于共聚焦激光显微镜识别癌组织。我们表明不存在普遍最优的迁移学习策略，需要针对模型和任务的具体工程。鉴于腹膜的高性能，即使数据集较小，用于术中决策支持的应用也是可行的。
引用
@article{arxiv.1905.07991,
title = {Deep Transfer Learning Methods for Colon Cancer Classification in Confocal Laser Microscopy Images},
author = {Nils Gessert and Marcel Bengs and Lukas Wittig and Daniel Drömann and Tobias Keck and Alexander Schlaefer and David B. Ellebrecht},
journal= {arXiv preprint arXiv:1905.07991},
year = {2019}
}
备注
Accepted for publication in the International Journal of Computer Assisted Radiology and Surgery (IJCARS)