基于细胞形态感知的组织学图像分类
图像与视频处理
2024-07-12 v1 计算机视觉与模式识别
定量方法
摘要
组织学图像广泛用于分析受疾病(肿瘤)组织及患者治疗选择。虽然以往大多数显微镜图像处理均由病理学家手动完成，但近期计算机视觉的进展允许使用深度学习解决方案准确识别肿瘤区域。然而，这些模型通常需要大量标注数据进行训练，而在所考虑的任务中，可用患者数据样本数量非常有限。为此，我们提出一种 novel DeepCMorph模型，该模型预先学习细胞形态并识别大量不同癌症类型。该模型包含两个模块：第一个模块执行细胞核分割并为每种细胞类型标记，训练时使用8个公开数据集的组合，以确保其高泛化性和鲁棒性。第二个模块将获得的分割图与原始显微镜图像组合后进行下游任务训练。我们在由Pan-Cancer TCGA数据集预训练，该数据集包含来自8736名8175名患者的7175名患者从8736张诊断切片中提取的超过27万张组织块。该方案在所考虑的数据集上实现了新的状态突破性能，检测32种癌症类型，准确率超过82%，并在所有之前提出的解决方案中取得4%以上的优势。我们展示了所得预训练模型可以轻杧微调到较小的显微镜数据集上，相较于当前顶级解决方案和使用ImageNet权重初始化的模型，效果更佳。本文介绍的代码和预训练模型可在https://github.com/aiff22/DeepCMorph获取。
引用
@article{arxiv.2407.08625,
title = {Histopathological Image Classification with Cell Morphology Aware Deep Neural Networks},
author = {Andrey Ignatov and Josephine Yates and Valentina Boeva},
journal= {arXiv preprint arXiv:2407.08625},
year = {2024}
}