利用未标注全切片图像进行有丝分裂检测
计算机视觉与模式识别
2018-08-01 v1
摘要
有丝分裂计数是多种癌症预后判断的重要生物标志物。目前，病理学家通常在患者活检的乳腺全切片图像（WSIs）中少数选定兴趣区域上进行手动计数。该任务非常耗时、枯燥且主观。自动化有丝分裂检测方法近年来取得了巨大进展。然而，这些方法需要对大量选定兴趣区域进行详尽标注。该任务非常昂贵，因为需要专家病理学家进行可靠且准确的注释。在本文中，我们提出了一种半监督有丝分裂检测方法，旨在利用大量未标注的乳腺癌 WSIs。因此，我们的方法利用了不断增长的数字化组织学图像数量，而不依赖详尽标注，从而改善了有丝分裂检测。我们的方法首先从标注数据中学习一个有丝分裂检测器，使用该检测器从未标注 WSIs 中挖掘额外的有丝分裂样本，然后利用这个更大且多样的 mitosis 样本集训练最终模型。与我们在 TUPAC 验证集上性能最佳的完全监督模型相比，未标注数据的使用将 F1-score 提高了 5\%。我们对 TUPAC 挑战的提交（单一模型）在排行榜上排名靠前，F1-score 为 0.64。
引用
@article{arxiv.1807.11677,
title = {Leveraging Unlabeled Whole-Slide-Images for Mitosis Detection},
author = {Saad Ullah Akram and Talha Qaiser and Simon Graham and Juho Kannala and Janne Heikkilä and Nasir Rajpoot},
journal= {arXiv preprint arXiv:1807.11677},
year = {2018}
}
备注
Accepted for MICCAI COMPAY 2018 Workshop