在十亿像素病理图像上检测癌症转移
计算机视觉与模式识别
2020-06-03 v2
摘要
每年，美国超过230,000名乳腺癌患者的治疗决策取决于癌症是否已从乳房转移。转移检测目前由病理学家审查大范围生物组织完成。该过程劳动密集且容易出错。我们提出一个框架，在大小为100,000 x 100,000像素的十亿像素显微图像中自动检测和定位小至100 x 100像素的肿瘤。我们的方法利用卷积神经网络（CNN）架构，在Camelyon16数据集上具有挑战性的病变级肿瘤检测任务上获得最先进的结果。在每幅图像8个假阳性下，我们检测到92.4%的肿瘤，而先前最佳自动化方法为82.7%。作为比较，试图穷举搜索的人类病理学家达到73.2%的灵敏度。我们在Camelyon16测试集和独立的110张幻灯片集上均达到图像级AUC分数高于97%。此外，我们发现Camelyon16训练集中的两张幻灯片被错误标记为正常。我们的方法可显著降低转移检测中的假阴性率。
引用
@article{arxiv.1703.02442,
title = {Detecting Cancer Metastases on Gigapixel Pathology Images},
author = {Yun Liu and Krishna Gadepalli and Mohammad Norouzi and George E. Dahl and Timo Kohlberger and Aleksey Boyko and Subhashini Venugopalan and Aleksei Timofeev and Philip Q. Nelson and Greg S. Corrado and Jason D. Hipp and Lily Peng and Martin C. Stumpe},
journal= {arXiv preprint arXiv:1703.02442},
year = {2020}
}
备注
Fig 1: normal and tumor patches were accidentally reversed - now fixed. Minor grammatical corrections in appendix, section "Image Color Normalization"