迭代标注以简化神经网络训练：医学图像分析中的专用机器学习
图像与视频处理
2019-02-20 v1 计算机视觉与模式识别
人机交互
机器学习
机器学习
摘要
神经网络有望为医学领域带来鲁棒、定量的分析，但其应用受限于训练这些网络的技术难度。为解决病理学领域中医学研究者与神经网络之间的这一转化鸿沟，我们创建了一个直观的界面，利用常用的全切片图像 (WSI) 查看器 Aperio ImageScope (Leica Biosystems Imaging, Inc.) 进行 WSI 上神经网络预测的标注与显示。借此，我们提出使用人在回路策略以减轻 WSI 标注负担。我们追踪网络性能随迭代的提升，并量化该流程在 WSI 上肾脏组织学发现的分割中的使用。更具体地，我们展示了应用于肾脏微区室分割时的网络性能，并演示了人和小鼠肾组织切片中的多类分割。最后，为表明该技术对其他医学成像领域的适应性，我们演示了其从放射成像数据迭代分割人类前列腺腺体的能力。
引用
@article{arxiv.1812.07509,
title = {Iterative annotation to ease neural network training: Specialized machine learning in medical image analysis},
author = {Brendon Lutnick and Brandon Ginley and Darshana Govind and Sean D. McGarry and Peter S. LaViolette and Rabi Yacoub and Sanjay Jain and John E. Tomaszewski and Kuang-Yu Jen and Pinaki Sarder},
journal= {arXiv preprint arXiv:1812.07509},
year = {2019}
}
备注
15 pages, 7 figures, 2 supplemental figures (on the last page)