MSA-MIL: 基于多尺度标注的深度残差多示例学习模型用于肾小球钉突分类与可视化
计算机视觉与模式识别
2020-07-21 v2 图像与视频处理
定量方法
摘要
膜性肾病(MN)是一种常见成人肾病综合征,临床发病率高并可引起多种并发症。在膜性肾病活检显微镜切片中,肾小球基底膜上的钉突样突起是MN的显著特征。然而,由于整张活检切片包含大量肾小球,且每个肾小球包含许多钉突病变,钉突的病理特征并不明显。因此医生逐个诊断肾小球耗时费力,且经验较少的病理医生难以诊断。本文建立一种基于多尺度标注多示例学习(MSA-MIL)的可视化分类模型,以实现肾小球分类与钉突可视化。MSA-MIL模型主要涉及三部分。首先,使用U-Net提取肾小球区域,以确保后续算法学习到的特征聚焦于肾小球内部。其次,我们使用MIL训练实例级分类器,并结合MSA方法,通过加入位置级标注增强数据集来提升网络学习能力,从而获得具有丰富语义的示例级特征表示。最后,通过滑动窗口方法汇总图像中每个图块(tile)的预测得分,得到肾小球分类及钉突分类结果的可视化。实验结果证实,所提MSA-MIL模型能有效准确地分类正常肾小球与钉突肾小球,并可视化钉突在肾小球中的位置。因此,该模型可为辅助临床医生诊断肾小球膜性肾病提供良好基础。
引用
@article{arxiv.2007.00858,
title = {MSA-MIL: A deep residual multiple instance learning model based on multi-scale annotation for classification and visualization of glomerular spikes},
author = {Yilin Chen and Ming Li and Yongfei Wu and Xueyu Liu and Fang Hao and Daoxiang Zhou and Xiaoshuang Zhou and Chen Wang},
journal= {arXiv preprint arXiv:2007.00858},
year = {2020}
}