组织病理学图像中的有丝分裂域泛化——MIDOG 挑战赛
图像与视频处理
2022-12-19 v1 计算机视觉与模式识别
医学物理
定量方法
摘要
肿瘤组织内有丝分裂象的密度已知与肿瘤增殖高度相关，因此是肿瘤分级中的一个重要标志物。病理学家对有丝分裂象的识别存在很强的评分者间偏差，这限制了其预后价值。最先进的深度学习方法可以辅助专家进行评估，但已知在应用于不同于训练环境的临床环境时，性能会严重下降。已确定造成这种域偏移的一个决定性因素是使用不同全切片扫描仪所引起的变异性。MICCAI MIDOG 2021 挑战赛的目标是提出并评估能够应对这种域偏移、并推导出不依赖扫描仪的有丝分裂检测算法的方法。该挑战赛使用了一个包含 200 个病例的训练集，这些病例分布在四种扫描系统上。测试集则额外包含 100 个病例，分布在四种扫描系统上，其中包括两种先前未见过的扫描仪。最佳方法达到了专家级水平，获胜算法的 F_1 分数为 0.748（CI95: 0.704-0.781）。在本文中，我们评估并比较了提交给挑战赛的各种方法，并识别出有助于提升性能的方法论因素。
引用
@article{arxiv.2204.03742,
title = {Mitosis domain generalization in histopathology images -- The MIDOG challenge},
author = {Marc Aubreville and Nikolas Stathonikos and Christof A. Bertram and Robert Klopleisch and Natalie ter Hoeve and Francesco Ciompi and Frauke Wilm and Christian Marzahl and Taryn A. Donovan and Andreas Maier and Jack Breen and Nishant Ravikumar and Youjin Chung and Jinah Park and Ramin Nateghi and Fattaneh Pourakpour and Rutger H. J. Fick and Saima Ben Hadj and Mostafa Jahanifar and Nasir Rajpoot and Jakob Dexl and Thomas Wittenberg and Satoshi Kondo and Maxime W. Lafarge and Viktor H. Koelzer and Jingtang Liang and Yubo Wang and Xi Long and Jingxin Liu and Salar Razavi and April Khademi and Sen Yang and Xiyue Wang and Mitko Veta and Katharina Breininger},
journal= {arXiv preprint arXiv:2204.03742},
year = {2022}
}
备注
19 pages, 9 figures, summary paper of the 2021 MICCAI MIDOG challenge