基于深度学习的肝脏脂肪变性分割
图像与视频处理
2019-11-19 v1 计算机视觉与模式识别
摘要
肝脏脂肪变性是指细胞内脂质的异常积聚。在肝脏组织病理学显微图像中准确量化脂肪变性区域，对肝脏疾病诊断和移植评估具有重要作用。由于大量高度重叠的脂肪变性液滴的存在，这种量化分析通常需要精确的脂肪变性分割，而这是具有挑战性的。本文使用深度学习模型 Mask-RCNN 对成团状的脂肪变性液滴进行分割。Mask-RCNN 由 Faster R-CNN 扩展而来，除边界框检测外还能预测目标掩码。通过迁移学习，所得模型在重叠脂肪变性区域分割上取得了 75.87% 的平均精度(Average Precision)、60.66% 的召回率(Recall)、65.88% 的 F1 分数(F1-score)和 76.97% 的 Jaccard 指数，有望在未来临床实践中支持肝脏疾病诊断和同种异体移植物排斥预测。
引用
@article{arxiv.1911.07088,
title = {Liver Steatosis Segmentation with Deep Learning Methods},
author = {Xiaoyuan Guo and Fusheng Wang and George Teodorou and Alton B. Farris and Jun Kong},
journal= {arXiv preprint arXiv:1911.07088},
year = {2019}
}
备注
4 pages