HistoSegCap: 用于全切片图像中组织学组织类型弱监督语义分割的胶囊网络
图像与视频处理
2024-02-19 v1 计算机视觉与模式识别
机器学习
摘要
数字病理学涉及将物理组织切片转换为高分辨率全切片图像(WSI)，病理学家通过分析这些图像来识别受疾病影响的组织。然而，包含大量显微镜视野的大型组织学切片给视觉搜索带来了挑战。为辅助病理学家，计算机辅助诊断(CAD)系统在高效检查WSI和识别诊断相关区域方面提供了视觉帮助。本文提出了一种新颖的组织病理图像分析方法，采用基于胶囊网络的弱监督语义分割(WSSS)，这是该领域的首次应用。使用数字病理图谱(ADP)数据集对所提模型进行了评估，并将其性能与其他组织病理语义分割方法进行了比较。研究结果强调了胶囊网络在提高组织病理图像分析精度和效率方面的潜力。实验结果表明，所提模型在准确性和平均交并比(mIoU)指标上优于传统方法。
引用
@article{arxiv.2402.10851,
title = {HistoSegCap: Capsules for Weakly-Supervised Semantic Segmentation of Histological Tissue Type in Whole Slide Images},
author = {Mobina Mansoori and Sajjad Shahabodini and Jamshid Abouei and Arash Mohammadi and Konstantinos N. Plataniotis},
journal= {arXiv preprint arXiv:2402.10851},
year = {2024}
}