学习观察何处：一种用于自动化免疫组化评分的新型注意力模型
计算机视觉与模式识别
2019-03-27 v1
摘要
估计浸润性乳腺癌（BC）中人类表皮生长因子受体 2（HER2）的过度扩增被认为是一个重要的预测和预后标志物。我们提出了一种基于深度强化学习（DRL）的新型模型，将 HER2 的免疫组化（IHC）评分视为顺序学习任务。对于从多分辨率十亿像素全切片图像（WSI）中采样得到的给定图像块，该模型学习按照参数化策略顺序识别若干具有诊断意义的相关区域（ROI）。所选 ROI 由循环和残差卷积网络处理，以学习不同 HER2 评分的判别特征并预测下一个位置，无需处理给定图块的所有子图像块即可预测 HER2 评分，这模仿了组织病理学家通常不会在最高放大倍率下分析载玻片每一部分的行为。所提模型引入了任务特定的正则化项和返回抑制机制，以防止模型重复访问先前关注的位置。我们在两个 IHC 数据集上评估了我们的模型：一个来自 HER2 评分挑战赛的公开数据集，另一个由 Glo1 标记的胃肠胰神经内分泌肿瘤切片 WSI 组成。我们证明所提模型优于基于最先进深度卷积网络的其他方法。据我们所知，这是首个将 DRL 用于 IHC 评分的研究，并可能促使 DRL 在计算病理学领域更广泛地应用，从而减轻对大型多十亿像素组织学图像进行分析的计算负担。
引用
@article{arxiv.1903.10762,
title = {Learning Where to See: A Novel Attention Model for Automated Immunohistochemical Scoring},
author = {Talha Qaiser and Nasir M. Rajpoot},
journal= {arXiv preprint arXiv:1903.10762},
year = {2019}
}