全切片图像中的实例分割：端到端还是先检测后分割
图像与视频处理
2020-07-08 v1 计算机视觉与模式识别
摘要
肾脏全切片图像（WSI）中肾小球自动实例分割对肾脏病理学的临床研究至关重要。在计算机视觉中，端到端实例分割方法（如 Mask-RCNN）通过同时执行互补的检测与分割任务，已显示出相对于先检测后分割方法的优势。因此，端到端 Mask-RCNN 方法已成为近期肾小球分割研究的事实标准方法，其中采用下采样和基于补丁的技术来合理评估来自 WSI 的高分辨率图像（例如，40倍下 >10,000x10,000 像素）。然而，在高分辨率 WSI 中，单个肾小球在原始分辨率下本身可超过 1,000x1,000 像素，当相应特征图经由 Mask-RCNN 流程下采样时会产生显著的信息损失。在本文中，我们通过将 Mask-RCNN 与我们提出的先检测后分割框架进行比较，评估端到端实例分割框架对于高分辨率 WSI 目标是否最优。除该比较外，我们还通过以下方面全面评估先检测后分割流程的性能：1）两种最普遍的分割骨干网络（U-Net 和 DeepLab_v3）；2）六种不同的图像分辨率（从 512x512 到 28x28）；3）两种不同的颜色空间（RGB 和 LAB）。我们的先检测后分割流程采用 DeepLab_v3 分割框架在先前检测的 512x512 分辨率肾小球上运行，取得了 0.953 的骰子相似系数（DSC），而端到端 Mask-RCNN 流程为 0.902 DSC。此外，我们发现，在先检测后分割框架下，RGB 与 LAB 颜色空间相互比较时均未产生更优性能。先检测后分割流程相比端到端方法取得了更好的分割性能。
引用
@article{arxiv.2007.03593,
title = {Instance Segmentation for Whole Slide Imaging: End-to-End or Detect-Then-Segment},
author = {Aadarsh Jha and Haichun Yang and Ruining Deng and Meghan E. Kapp and Agnes B. Fogo and Yuankai Huo},
journal= {arXiv preprint arXiv:2007.03593},
year = {2020}
}