HookNet：用于组织病理学全切片图像语义分割的多分辨率卷积神经网络
图像与视频处理
2020-06-23 v1 计算机视觉与模式识别
机器学习
摘要
我们提出 HookNet，一种用于组织病理学全切片图像语义分割的模型，它通过多个编码器-解码器卷积神经网络分支结合上下文与细节。使用具有不同视场的多分辨率同心块来馈送 HookNet 的不同分支，并通过钩接机制组合中间表示。我们描述了一个设计和训练 HookNet 以实现高分辨率语义分割的框架，并引入了约束以保证钩接过程中特征图的像素级对齐。我们在两个组织病理学图像分割任务中展示了使用 HookNet 的优势，其中组织类型预测准确性强烈依赖于上下文信息，即 (1) 乳腺癌中的多类组织分割，以及 (2) 肺癌中三级淋巴结构和生发中心的分割。我们展示了 HookNet 相对于在不同分辨率下工作的单分辨率 U-Net 模型以及最近发表的一种用于组织病理学图像分割的多分辨率模型的优越性。
引用
@article{arxiv.2006.12230,
title = {HookNet: multi-resolution convolutional neural networks for semantic segmentation in histopathology whole-slide images},
author = {Mart van Rijthoven and Maschenka Balkenhol and Karina Siliņa and Jeroen van der Laak and Francesco Ciompi},
journal= {arXiv preprint arXiv:2006.12230},
year = {2020}
}