面向组织病理图像的多域线粒体图形检测的集成 YOLO 框架
图像与视频处理
2025-09-23 v2 计算机视觉与模式识别
摘要
在全切片组织病理图像中可靠识别线粒体图形仍然困难，原因在于其低发生率、显著的形态异质性以及组织加工和染色程序引入的不一致性。MIDOG 比赛系列为评估跨不同域的检测方法提供了标准化基准，促使开发具有通用性的深度学习模型。本文研究了两种现代单阶段检测器，YOLOv5 和 YOLOv8，在 MIDOG++、CMC 和 CCMCT 数据集上进行训练。为增强鲁棒性，训练中引入了耐 stain 色彩扰动和保持纹理的增强。内部验证中，YOLOv5 实现了更高的精确率 (84.3%)，而 YOLOv8 提供了更好的召回率 (82.6%)，反映了基于锚框与无锚框检测器之间的架构权衡。为充分利用两者的互补优势，我们采用了两者的集成，该集成提高了灵敏度 (85.3%) 同时保持竞争的精确率，获得了最佳 F1 分数 83.1%。在 MIDOG 2025 测试榜单的初步排名中，我们的集成排名第 5，F1 分数为 79.2%，精确率为 73.6%，召回率为 85.8%，确认该策略在不可见测试数据上的有效推广。这些发现突显了将基于锚框和无锚框目标检测器组合，以推动数字病理学中自动化线粒体检测的有效性。
引用
@article{arxiv.2509.02957,
title = {Ensemble YOLO Framework for Multi-Domain Mitotic Figure Detection in Histopathology Images},
author = {Navya Sri Kelam and Akash Parekh and Saikiran Bonthu and Nitin Singhal},
journal= {arXiv preprint arXiv:2509.02957},
year = {2025}
}
备注
4 pages, MIDOG25 Challenge