MILD-Net：用于结肠组织学图像中腺体实例分割的最小信息损失膨胀网络
计算机视觉与模式识别
2019-02-19 v4
摘要
结肠组织病理学图像中腺体形态的分析是确定结肠癌分级的重要步骤。尽管该任务十分重要，手动分割费力、耗时，并且可能受病理医生主观性影响。计算病理学的兴起催生了旨在克服手动分割挑战的腺体分割自动化方法。然而，由于腺体外观的巨大变异性以及区分某些腺体与非腺体组织结构的困难，该任务并非易事。此外，不确定性度量对于诊断决策至关重要。为应对这些挑战，我们提出了一种全卷积神经网络，通过在网络内多点重新引入原始图像来抵消由最大池化导致的信息损失。我们还使用具有不同膨胀率的空洞空间金字塔池化以保留分辨率并实现多级聚合。为引入不确定性，我们在测试时施加随机变换，以获得增强的分割结果并同时生成突出模糊区域的不确定性图。我们表明该图可用于定义一种度量，以忽略高不确定性的预测。所提出的网络在 GlaS 挑战数据集和第二个独立的结直肠腺癌数据集上达到了最先进的性能。此外，我们在来自另外两个数据集的全切片图像上执行腺体实例分割，以凸显我们方法的泛化能力。作为扩展，我们引入 MILD-Net+ 用于同步的腺体和腺腔分割，以提升网络的诊断能力。
引用
@article{arxiv.1806.01963,
title = {MILD-Net: Minimal Information Loss Dilated Network for Gland Instance Segmentation in Colon Histology Images},
author = {Simon Graham and Hao Chen and Jevgenij Gamper and Qi Dou and Pheng-Ann Heng and David Snead and Yee Wah Tsang and Nasir Rajpoot},
journal= {arXiv preprint arXiv:1806.01963},
year = {2019}
}
备注
Initial version published at Medical Imaging with Deep Learning (MIDL) 2018