显微图像中红细胞的多标签检测与分类
图像与视频处理
2019-12-17 v2 计算机视觉与模式识别
机器学习
机器学习
摘要
生物医学图像中的细胞检测与细胞类型分类对于高通量成像及多种临床应用具有重要作用。虽然单细胞质样的分类可利用标准计算机视觉与机器学习方法完成，但多标签样本（含聚集细胞的区域）的分析更具挑战性，因为单个细胞的分离可能困难（如接触细胞）甚至不可能（如重叠细胞）。由于多实例图像在镰状细胞病（SCD）诊断的红细胞（RBC）分析中十分常见，我们开发并实现了一种多实例细胞检测与分类框架以应对该挑战。该框架首先基于区域卷积网络（RCNN）训练区域提议模型，从输入显微图像中获取可能含单个或多个细胞的区域边界框，并提取为图像块。随后通过预训练的具 ResNet-50 结构的卷积神经网络（CNN）从图像块计算高层图像特征。以这些图像特征为输入，训练六个网络对给定图像块是否含某特定细胞类型的细胞进行多标签预测。由于六个网络训练所用的图像块同时包含单个细胞与接触/重叠细胞，它们能有效识别多实例图像样本中所呈现的细胞类型。最后，为进行 SCD 检测，我们训练另一个机器学习分类器，基于六个网络的输出预测给定图像块是否含有异常细胞类型。所提框架的测试结果表明其能在自动细胞检测与分类中取得良好性能。
引用
@article{arxiv.1910.02672,
title = {Multi-label Detection and Classification of Red Blood Cells in Microscopic Images},
author = {Wei Qiu and Jiaming Guo and Xiang Li and Mengjia Xu and Mo Zhang and Ning Guo and Quanzheng Li},
journal= {arXiv preprint arXiv:1910.02672},
year = {2019}
}
备注
Wei Qiu, Jiaming Guo and Xiang Li contributed equally