基于卷积神经网络与 Transformer 的全切片成像肾脏分层分割评估
图像与视频处理
2023-09-07 v1 计算机视觉与模式识别
摘要
在人肾全切片图像（WSI）中分割包括皮质、外条带、内条带和内髓质在内的肾脏分层结构，对肾脏病理学自动图像分析至关重要。然而，当前人工分割过程劳动密集，且难以处理大规模数字病理图像。为此，数字肾脏病理学领域已出现基于深度学习的方法。但极少有（若有）深度学习方案应用于肾脏分层结构分割。为填补此空白，本文评估了在肾脏分层结构分割上应用深度学习方案的可行性。本研究采用具代表性的卷积神经网络（CNN）与 Transformer 分割方法，包括 Swin-Unet、Medical-Transformer、TransUNet、U-Net、PSPNet 和 DeepLabv3+。我们利用小鼠肾脏 WSI 对六种主流深度学习模型在肾皮质层分割上做了定量评估。所得经验结果展现出显著进展，平均交并比（mIoU）指标良好。结果表明 Transformer 模型总体优于基于 CNN 的模型。通过实现肾皮质结构的定量评估，深度学习方法有望赋能医学专业人员做出更可靠的肾脏分层分割。
引用
@article{arxiv.2309.02563,
title = {Evaluation Kidney Layer Segmentation on Whole Slide Imaging using Convolutional Neural Networks and Transformers},
author = {Muhao Liu and Chenyang Qi and Shunxing Bao and Quan Liu and Ruining Deng and Yu Wang and Shilin Zhao and Haichun Yang and Yuankai Huo},
journal= {arXiv preprint arXiv:2309.02563},
year = {2023}
}