基于深度学习的组织微阵列图像 Gleason 评分预测
图像与视频处理
2020-05-12 v1 计算机视觉与模式识别
摘要
前列腺癌（PCa）是全球男性最常见的癌症之一。评估 PCa 病变程度最准确的方法是由专家病理学家对染色活检组织进行显微镜检查，并估算组织微阵列（TMA）图像的 Gleason 评分。然而，病理学家在大型 TMA 图像中识别细胞与腺体模式以进行 Gleason 分级十分耗时。我们使用 Gleason2019 挑战赛数据集构建卷积神经网络（CNN）模型，将 TMA 图像分割为不同 Gleason 级别的区域，并根据分级分割预测 Gleason 评分。我们使用预训练的前列腺分割模型以提高 Gleason 级别分割的准确性。该模型在测试队列上取得 75.6% 的平均 Dice 系数，并以 Cohen's kappa 与 f1-score 组合的 0.778 分在 Gleason2019 挑战赛中排名第 4。
关键词
引用
@article{arxiv.2005.04886,
title = {Gleason Score Prediction using Deep Learning in Tissue Microarray Image},
author = {Yi-hong Zhang and Jing Zhang and Yang Song and Chaomin Shen and Guang Yang},
journal= {arXiv preprint arXiv:2005.04886},
year = {2020}
}