有丝分裂检测，快与慢：有丝分裂象的鲁棒且高效检测
计算机视觉与模式识别
2023-09-26 v2
摘要
有丝分裂象计数是多种癌症分级与预后评估的基本步骤。然而，人工有丝分裂计数繁琐且耗时。此外，有丝分裂象外观的差异导致病理学家之间高度不一致。随着深度学习模型的进展，已有若干自动有丝分裂检测算法被提出，但它们对组织学图像中常见的{\em 域偏移(domain shift)}敏感。我们提出了一种鲁棒且高效的两阶段有丝分裂检测框架，包含有丝分裂候选分割（{\em 快速检测}）与候选精炼（{\em 慢速检测}）阶段。所提出的候选分割模型称为\textit{EUNet}，因其架构设计而快速且准确。EUNet可在较低分辨率下精确分割候选以大幅加速候选检测。随后在第二阶段使用更深的分类网络EfficientNet-B7对候选进行精炼。我们通过引入域泛化方法确保两阶段均对域偏移具有鲁棒性。我们在三个最大的公开有丝分裂数据集上展示了所提模型的SOTA性能与泛化能力，并赢得了两次有丝分裂域泛化挑战赛（MIDOG21与MIDOG22）。最后，我们通过处理TCGA乳腺癌队列（1,125张全切片图像）来展示所提算法的实用性，生成并发布了一个包含超过620K个有丝分裂象的存储库。
引用
@article{arxiv.2208.12587,
title = {Mitosis Detection, Fast and Slow: Robust and Efficient Detection of Mitotic Figures},
author = {Mostafa Jahanifar and Adam Shephard and Neda Zamanitajeddin and Simon Graham and Shan E Ahmed Raza and Fayyaz Minhas and Nasir Rajpoot},
journal= {arXiv preprint arXiv:2208.12587},
year = {2023}
}
备注
Extended version of the work done for MIDOG challenge submission