混合引导：一种用于十亿像素组织病理图像语义分割的多分辨率细化方法
图像与视频处理
2021-12-08 v1 计算机视觉与模式识别
机器学习
摘要
组织病理学癌症诊断已变得更加复杂，且活检数量的增加对大多数病理实验室而言是一项挑战。因此，开发用于评估组织病理学癌症切片的自动方法将具有价值。在本研究中，我们使用了来自挪威队列的624张乳腺癌全切片图像（WSI）。我们提出了一种称为H2G-Net的级联卷积神经网络设计，用于十亿像素组织病理图像的语义分割。该设计包含一个使用分块方法的检测阶段，以及一个使用卷积自编码器的细化阶段。为验证该设计，我们进行了消融研究，以评估流水线中选定组件对肿瘤分割的影响。使用分层采样和深度热力图细化来引导分割，被证明在分割组织病理图像时是有益的。我们发现，使用细化网络对生成的肿瘤分割热力图进行后处理带来了显著改进。整体最佳设计在90张WSI的独立测试集上达到了0.933的Dice分数。该设计优于单分辨率方法，例如使用MobileNetV2的簇引导、分块高分辨率分类（0.872）和低分辨率U-Net（0.874）。此外，在仅使用CPU的情况下，对一张具有代表性的x400 WSI进行分割耗时约58秒。这些发现展示了利用细化网络改进分块预测的潜力。该解决方案高效，且不需要重叠分块推理或集成。此外，我们表明深度神经网络可以使用随机采样方案进行训练，该方案同时平衡多个不同标签，而无需将分块存储在磁盘上。未来工作应涉及更高效的块生成与采样，以及改进的聚类。
引用
@article{arxiv.2112.03455,
title = {Hybrid guiding: A multi-resolution refinement approach for semantic segmentation of gigapixel histopathological images},
author = {André Pedersen and Erik Smistad and Tor V. Rise and Vibeke G. Dale and Henrik S. Pettersen and Tor-Arne S. Nordmo and David Bouget and Ingerid Reinertsen and Marit Valla},
journal= {arXiv preprint arXiv:2112.03455},
year = {2021}
}
备注
12 pages, 3 figures