HoVer-Net：多组织组织学图像中细胞核的同时分割与分类
计算机视觉与模式识别
2019-11-14 v5
摘要
苏木精-伊红染色组织学图像中的细胞核分割与分类是数字病理工作流的基本前提。开发细胞核分割与分类的自动化方法使得对整张切片病理图像中数以万计细胞核的定量分析成为可能，为大规模核形态测量学的进一步分析开辟了可能。然而，自动化细胞核分割与分类面临一大挑战：存在多种不同类型的细胞核，其中一些（如肿瘤细胞）表现出较大的类内变异性。此外，部分细胞核常聚集成簇。为应对这些挑战，我们提出了一种新颖的卷积神经网络，用于同时实现细胞核分割与分类，其利用了核像素到其质心在垂直与水平距离中所编码的实例丰富信息。这些距离随后被用于分离聚集的细胞核，从而实现准确的分割，尤其在具有重叠实例的区域中。然后，对于每个分割出的实例，该网络通过一个专用的上采样分支预测细胞核类型。我们在多个独立的多组织组织学图像数据集上展示了相较于其他方法的当前最优性能。作为本工作的一部分，我们引入了一个苏木精-伊红染色的结直肠腺癌图像块新数据集，包含 24,319 个详尽标注的细胞核及其类别标签。
引用
@article{arxiv.1812.06499,
title = {HoVer-Net: Simultaneous Segmentation and Classification of Nuclei in Multi-Tissue Histology Images},
author = {Simon Graham and Quoc Dang Vu and Shan E Ahmed Raza and Ayesha Azam and Yee Wah Tsang and Jin Tae Kwak and Nasir Rajpoot},
journal= {arXiv preprint arXiv:1812.06499},
year = {2019}
}