用于肾细胞癌显微图像中细胞核检测的多尺度深度学习架构
图像与视频处理
2021-07-02 v1 计算机视觉与模式识别
机器学习
摘要
透明细胞肾细胞癌（ccRCC）是肾癌研究中瘤内异质性最常见的形式之一。ccRCC 起源于近端 convoluted 肾小管的上皮衬里。这些细胞在 Ki67 蛋白存在下发生异常突变，并通过细胞增殖形成团块状结构。在组织受影响切片中手动计数肿瘤细胞是肾癌最强的预后标志物之一。然而，该过程耗时且易受主观性影响。这些评估基于细胞物理外观，并存在较大的观察者内差异。因此，更好的细胞核检测与计数技术可作为常规病理检查中肿瘤细胞增殖评估的重要生物标志物。本文中，我们提出了一种基于深度学习的 IHC 染色组织学图像细胞分类检测模型。这些图像被分类为二值类别以发现癌化核区域中 Ki67 蛋白的存在。我们的模型映射来自局部有界区域的多尺度金字塔特征与显著性信息，并通过回归预测边界框坐标。我们的方法在四百张局部 ccRCC 组织学图像队列上验证了 Ki67 表达的影响，并将结果与现有 SOTA 细胞核检测方法比较。所提方法的精确率与召回率分数在临床数据集上计算并比较。实验结果表明，我们的模型将 F1 分数提升至 86.3%，平均精确率-召回率曲线下面积为 85.73%。
引用
@article{arxiv.2104.13557,
title = {Multi-scale Deep Learning Architecture for Nucleus Detection in Renal Cell Carcinoma Microscopy Image},
author = {Shiba Kuanar and Vassilis Athitsos and Dwarikanath Mahapatra and Anand Rajan},
journal= {arXiv preprint arXiv:2104.13557},
year = {2021}
}
备注
This article has been removed by arXiv administrators because the submitter did not have the authority to grant the license applied at the time of submission