用于未标注组织病理图像癌症亚型分类的多尺度域对抗多示例CNN
计算机视觉与模式识别
2020-04-03 v2 机器学习
图像与视频处理
摘要
我们提出了一种基于组织病理图像进行癌症亚型分类的新方法，该方法可自动检测给定全切片图像（WSI）中的肿瘤特异性特征。癌症亚型应参考WSI进行分类，即由癌与非癌部分组成的整个病理组织切片的大尺寸图像（通常为40,000x40,000像素）。一个难点在于WSI中肿瘤区域标注的高成本。此外，必须通过改变图像放大倍数从WSI中提取全局与局部图像特征。另外，图像特征应能在不同医院/标本的染色条件差异下被稳定检测。本文中，我们开发了一种新的基于CNN的癌症亚型分类方法，通过有效结合多示例、域对抗和多尺度学习框架来克服这些实际困难。将所提方法应用于从多家医院收集的196例恶性淋巴瘤亚型分类时，其分类性能显著优于标准CNN或其他常规方法，且准确率与标准病理医生相当。
引用
@article{arxiv.2001.01599,
title = {Multi-scale Domain-adversarial Multiple-instance CNN for Cancer Subtype Classification with Unannotated Histopathological Images},
author = {Noriaki Hashimoto and Daisuke Fukushima and Ryoichi Koga and Yusuke Takagi and Kaho Ko and Kei Kohno and Masato Nakaguro and Shigeo Nakamura and Hidekata Hontani and Ichiro Takeuchi},
journal= {arXiv preprint arXiv:2001.01599},
year = {2020}
}
备注
Accepted to CVPR2020