基于深度学习的组织病理学图像墨标记分割
图像与视频处理
2020-11-02 v1 计算机视觉与模式识别
摘要
由于机器视觉的最新进展，数字病理学已获得显著关注。组织病理学图像具有极其丰富的视觉信息。组织玻璃切片图像被用于疾病诊断。研究者研究了许多处理组织病理学图像并促进快速可靠诊断的方法；因此，高质量切片的可用性变得至关重要。当病理学家在玻璃切片上用墨水标记以勾勒感兴趣区域时，图像质量会受到负面影响。例如，在最大的公共组织病理学数据集之一——癌症基因组图谱（TCGA）中，约 的数字切片受到人工墨水勾勒的影响。为处理这些开放获取切片图像及其他存储库以设计和验证新方法，亟需一种检测图像标记区域的算法，以避免计算机方法将组织像素与墨色像素混淆。在本研究中，我们提出通过深度网络分割病理补丁的墨标记区域。我们创建了来自 张全切片图像、含 个补丁的数据集，并训练了不同网络。最终结果表明，以 EffiecentNet-B3 为骨干的 FPN 模型为最优配置，其 F1 得分为 。
引用
@article{arxiv.2010.15865,
title = {Ink Marker Segmentation in Histopathology Images Using Deep Learning},
author = {Danial Maleki and Mehdi Afshari and Morteza Babaie and H. R. Tizhoosh},
journal= {arXiv preprint arXiv:2010.15865},
year = {2020}
}
备注
Accepted for publication in the 15th International Symposium on Visual Computing (ISVC 2020)