结合特征提取与深度神经网络的大规模数字前列腺病理图像分析
计算机视觉与模式识别
2017-05-12 v2
摘要
组织病理学评估，包括手术切除术和空心针活检，是前列腺癌诊断的标准流程。当前对组织病理学图像的解读包括肿瘤区域确定、Gleason 分级以及某些预后关键特征的识别。这一过程不仅繁琐，而且容易出现观察者内/间的差异。最近，FDA 批准了首个用于数字病理学的全切片成像系统的上市。这为基于数字组织病理学图像的前列腺计算机辅助图像分析与特征提取开辟了新时代。在本工作中，我们提出了一个分析流程，包括癌症区域定位、分级、不同 Gleason 等级的面积比以及细胞学/结构特征提取。所提出的算法结合了人工设计的特征提取与深度神经网络学习到的特征。此外，整个流程被实现为直接在数字扫描仪产生的全切片图像上运行，因此有可能轻松转化为临床实践。该算法在来自 TCGA 数据集的 368 张全切片图像上进行了测试，在区分 Gleason 3+4 与 4+3 切片时达到了 75% 的总体准确率。
引用
@article{arxiv.1705.02678,
title = {Large scale digital prostate pathology image analysis combining feature extraction and deep neural network},
author = {Naiyun Zhou and Andrey Fedorov and Fiona Fennessy and Ron Kikinis and Yi Gao},
journal= {arXiv preprint arXiv:1705.02678},
year = {2017}
}