用于语义分割的深层监督 UNet 以辅助基底细胞癌（BCC）皮肤病理评估
机器学习
2021-03-10 v2 计算机视觉与模式识别
摘要
准确快速地评估切除切缘是皮肤病理医生临床常规的重要组成部分。在这项工作中，我们成功开发了一种深度学习方法，通过标记在全切片图像（WSI）中极有可能呈现病理特征的关键区域来辅助病理医生。我们专注于基于 UNet 架构的若干模型，通过语义分割检测基底细胞癌（BCC）。该研究共包含 650 张 WSI，总计 3443 个组织切片。两位临床皮肤病理医生对数据进行了标注，在 100 张 WSI 上标记了肿瘤组织的精确位置。其余带有切片级真值标签的数据用于进一步验证和测试模型。我们分析了 UNet 网络第一部分的两种不同编码器以及两种额外训练策略：a) 深层监督，b) 解码器输出的线性组合，并对每种情况下网络解码器的作用获得了一些解释。最佳模型在测试集上的准确率、灵敏度和特异度均超过 96%。
引用
@article{arxiv.2103.03759,
title = {Deeply supervised UNet for semantic segmentation to assist dermatopathological assessment of Basal Cell Carcinoma (BCC)},
author = {Jean Le'Clerc Arrastia and Nick Heilenkötter and Daniel Otero Baguer and Lena Hauberg-Lotte and Tobias Boskamp and Sonja Hetzer and Nicole Duschner and Jörg Schaller and Peter Maaß},
journal= {arXiv preprint arXiv:2103.03759},
year = {2021}
}