利用持久同调与深度卷积特征对组织学图像进行快速准确肿瘤分割
计算机视觉与模式识别
2018-05-11 v1
摘要
组织学切片全切片图像中的肿瘤分割是迈向计算机辅助诊断的重要一步。在本工作中，我们提出了一种基于持久同调轮廓（PHPs）新概念的肿瘤分割框架。对于给定的图像块，同调轮廓通过持久同调的高效计算导出，持久同调是来自同调理论的代数工具。我们提出了一种计算图像拓扑持久性的高效方法，作为单纯同调的替代。PHPs 旨在通过建模肿瘤核的非典型特征来区分肿瘤区域与其正常对应区域。我们提出了两种用于肿瘤分割的方法变体：一种在不牺牲准确性的前提下追求速度，另一种追求更高准确性。快速版本基于从卷积神经网络（CNN）中选择代表性图像块，并通过量化代表性样本与输入图像块之间 PHPs 的散度来进行块分类。详细的比较评估表明，所提算法比竞争算法显著更快，同时取得可比结果。准确版本结合了 PHPs 与高层 CNN 特征，并采用多阶段集成策略进行图像块标注。实验结果表明，PHPs 与 CNN 特征的结合优于竞争算法。本研究在两个独立收集的包含腺瘤、腺癌、印戒细胞癌和健康病例的结直肠数据集上进行。总体而言，准确肿瘤分割在两个数据集的恶性和健康病例上均比竞争算法产生了最高的平均块级 F1 分数。总之，所提框架凸显了持久同调在组织病理学图像分析中的效用。
引用
@article{arxiv.1805.03699,
title = {Fast and Accurate Tumor Segmentation of Histology Images using Persistent Homology and Deep Convolutional Features},
author = {Talha Qaiser and Yee-Wah Tsang and Daiki Taniyama and Naoya Sakamoto and Kazuaki Nakane and David Epstein and Nasir Rajpoot},
journal= {arXiv preprint arXiv:1805.03699},
year = {2018}
}