基于 TCGA 诊断切片微调与训练 DenseNet 用于组织病理学图像表示
图像与视频处理
2021-01-21 v1
摘要
预训练深度人工神经网络提供的特征向量已成为近期文献中图像表示的主导来源。它们对图像分析性能的贡献可通过微调得到提升。作为终极方案，人们甚至可以用领域相关图像从头训练深度网络，这是一个极为可取的选择，但在病理学中通常因缺乏标注图像和计算开销而受阻。在本研究中，我们提出一个新网络，即 KimiaNet，它采用具有四个密集块的 DenseNet 拓扑，并以不同配置利用组织病理学图像进行微调和训练。我们使用超过 240,000 个在 20 倍放大下以我们提出的“高细胞密度马赛克”方法获取的 1000x1000 像素图像块，以启用通过 The Cancer Genome Atlas (TCGA) 存储库公开提供的 7,126 张福尔马林固定石蜡包埋人体病理样本全切片图像的弱标签。我们使用三个公共数据集，即 TCGA、子宫内膜癌图像和结直肠癌图像，通过评估当不同网络的对应特征用于图像表示时搜索与分类的性能来测试 KimiaNet。同时，我们设计并训练了多个卷积批归一化 ReLU (CBR) 网络。结果表明，当用作特征提取器来表示组织病理学图像时，KimiaNet 相比原始 DenseNet 和较小的 CBR 网络提供了更优的结果。
引用
@article{arxiv.2101.07903,
title = {Fine-Tuning and Training of DenseNet for Histopathology Image Representation Using TCGA Diagnostic Slides},
author = {Abtin Riasatian and Morteza Babaie and Danial Maleki and Shivam Kalra and Mojtaba Valipour and Sobhan Hemati and Manit Zaveri and Amir Safarpoor and Sobhan Shafiei and Mehdi Afshari and Maral Rasoolijaberi and Milad Sikaroudi and Mohd Adnan and Sultaan Shah and Charles Choi and Savvas Damaskinos and Clinton JV Campbell and Phedias Diamandis and Liron Pantanowitz and Hany Kashani and Ali Ghodsi and H. R. Tizhoosh},
journal= {arXiv preprint arXiv:2101.07903},
year = {2021}
}