基于深度学习方法对活检图像中乳糜泻与环境性肠病进行诊断与分析
机器学习
2020-11-12 v1 计算机视觉与模式识别
图像与视频处理
组织与器官
机器学习
摘要
乳糜泻（CD）与环境性肠病（EE）是营养不良的常见原因，并对儿童正常发育产生不利影响。这两种疾病均需组织活检进行诊断，而解读临床活检图像以区分这些胃肠道疾病的一大挑战在于它们之间显著的组织病理学重叠。在本研究中，我们提出四种针对这些疾病的诊断技术，并阐述其局限性与优势。首先，考虑对 CD、EE 和正常活检进行诊断，但该诊断技术的主要挑战在于染色问题。本研究使用的数据集采集自不同中心，具有不同的染色标准。为解决此问题，我们采用颜色平衡，以便用变化的颜色范围训练模型。随机多模型深度学习（RMDL）架构被用作另一种方法，以减轻染色问题的影响。RMDL 结合不同的深度学习架构与结构，模型的最终输出基于多数投票。CD 是一种慢性自身免疫病，影响遗传易感儿童和成人的小肠。通常，CD 从 Marsh I 迅速进展至 IIIa。Marsh III 细分为 IIIa（部分绒毛萎缩）、Marsh IIIb（次全绒毛萎缩）和 Marsh IIIc（全绒毛萎缩），用以解释绒毛萎缩谱系以及隐窝肥大和上皮内淋巴细胞增多。在本研究的第二部分，我们提出两种诊断 CD 不同分期的方法。最后，在第三部分中，将这两个步骤结合为分层医学图像分类（HMIC），以得到一个分层诊断疾病数据的模型。
引用
@article{arxiv.2006.06627,
title = {Diagnosis and Analysis of Celiac Disease and Environmental Enteropathy on Biopsy Images using Deep Learning Approaches},
author = {Kamran Kowsari},
journal= {arXiv preprint arXiv:2006.06627},
year = {2020}
}
备注
PhD dissertation, Univ Virginia (May 2020)