数字病理中的分层图表示
计算机视觉与模式识别
2021-03-18 v2
摘要
基于组织标本的癌症诊断、预后及治疗方案反应预测高度依赖于构成性组织学实体的表型与拓扑分布。因此， adequate 的组织表示以编码组织学实体对于计算机辅助癌症患者诊疗至关重要。为此，若干方法利用编码细胞形态与组织方式以表征组织信息的细胞图。这使得能够借助机器学习将组织表示映射至组织功能，从而帮助量化二者关系。尽管细胞信息至关重要，但仅凭其不足以全面刻画复杂组织结构。我们在此将组织视为从细到粗多种类型组织学实体的分层组合，在多个层面上捕获多变量组织信息。我们提出了一种新颖的多级分层实体图组织标本表示，以建模分层组合，其编码组织学实体及其层内与层间交互。随后，提出一种图神经网络在该分层实体图表示上运行，以将组织结构映射至组织功能。具体而言，对于输入组织学图像，我们利用定义良好的细胞与组织区域构建分层细胞到组织（HACT）图表示，并设计 HACT-Net（一种图神经网络）来分类此类 HACT 表示。作为本工作的一部分，我们引入了 BReAst Carcinoma Subtyping（BRACS）数据集，一个大规模的 H&E 染色乳腺肿瘤图像队列，以将我们所提方法与病理医生及最先进方法进行评估。通过对比评估与消融研究，我们的方法被证明相较于替代方法及病理医生均能取得更优的分类结果。
引用
@article{arxiv.2102.11057,
title = {Hierarchical Graph Representations in Digital Pathology},
author = {Pushpak Pati and Guillaume Jaume and Antonio Foncubierta and Florinda Feroce and Anna Maria Anniciello and Giosuè Scognamiglio and Nadia Brancati and Maryse Fiche and Estelle Dubruc and Daniel Riccio and Maurizio Di Bonito and Giuseppe De Pietro and Gerardo Botti and Jean-Philippe Thiran and Maria Frucci and Orcun Goksel and Maria Gabrani},
journal= {arXiv preprint arXiv:2102.11057},
year = {2021}
}