基于改进深度卷积神经网络（DCNN）的显微细胞核分类、分割与检测
计算机视觉与模式识别
2018-11-09 v1
摘要
由于细胞异质性，从病理图像中进行细胞核分类、分割和检测是具挑战性的任务。过去几年中，深度卷积神经网络（DCNN）方法在不同研究中显示出在组化病理成像上的最先进（SOTA）性能。本工作中，我们提出了不同的先进 DCNN 模型并评估用于细胞核分类、分割和检测。首先，使用密集连接循环卷积网络（DCRN）模型进行细胞核分类。其次，应用循环残差 U-Net（R2U-Net）进行细胞核分割。第三，使用名为 UD-Net 的 R2U-Net 回归模型从病理图像中检测细胞核。实验使用不同数据集进行，包括常规结肠癌（RCC）分类与检测数据集以及 2018 细胞核分割挑战数据集。实验结果表明，所提 DCNN 模型在细胞核分类、分割和检测任务上相比现有方法具有更优性能。结果使用不同性能指标评估，包括精确率、召回率、Dice 系数（DC）、均方误差（MSE）、F1-score 和总体准确率。相比近期发表的基于 DCNN 的方法，我们在细胞核分类和检测任务上分别实现了约 3.4% 和 4.5% 更好的 F-1 分数。此外，R2U-Net 在 DC 方面显示出约 92.15% 的测试准确率。这些改进方法将有助于病理实践中对全切片图像（WSI）中细胞核的更好定量分析，最终有助于临床工作流中更好地理解不同类型癌症。
引用
@article{arxiv.1811.03447,
title = {Microscopic Nuclei Classification, Segmentation and Detection with improved Deep Convolutional Neural Network (DCNN) Approaches},
author = {Md Zahangir Alom and Chris Yakopcic and Tarek M. Taha and Vijayan K. Asari},
journal= {arXiv preprint arXiv:1811.03447},
year = {2018}
}
备注
18 pages, 16 figures, 3 Tables