利用深度空间融合网络改进高分辨率组织学图像分类
计算机视觉与模式识别
2019-09-17 v1
摘要
组织学成像是确定不同组织癌症分级和分期的重要诊断方法，尤其用于乳腺癌诊断。由于复杂的形态多样性，专家经常对活检组织的最终诊断存在分歧。尽管卷积神经网络（CNN）在提取图像分类中的判别特征方面具有优势，但目前直接在高分辨率组织学图像上训练 CNN 在计算上是不可行的。此外，不一致的判别特征往往分布在整个组织学图像上，这给基于块的 CNN 分类方法带来了挑战。在本文中，我们提出了一种用于高分辨率组织学图像自动分类的新架构。首先，采用适配的残差网络来探索无衰减的层次特征。其次，我们开发了一个鲁棒的深度融合网络，以利用块之间的空间关系并学习纠正由不一致的判别特征分布产生的预测偏差。所提出的方法在 400 张具有平衡标签的高分辨率乳腺组织学图像上使用 10 折交叉验证进行评估，在 4 类分类上报告了 95% 的准确率，在 2 类分类（癌和非癌）上报告了 98.5% 的准确率和 99.6% 的 AUC，大幅优于先前的方法并接近病理学家性能。
引用
@article{arxiv.1807.10552,
title = {Improving High Resolution Histology Image Classification with Deep Spatial Fusion Network},
author = {Yongxiang Huang and Albert Chi-shing Chung},
journal= {arXiv preprint arXiv:1807.10552},
year = {2019}
}
备注
8 pages, MICCAI workshop preceedings