用于组织病理学图像分割的多尺度全卷积神经网络：从核异常到全局组织架构

组织病理学诊断依赖于同时整合从广泛尺度获取的信息，范围从核异常（$\approx \mathcal{O}(0.1{\mu m})$）到细胞结构（$\approx \mathcal{O}(10{\mu m})$）再到全局组织架构（$\gtrapprox \mathcal{O}(1{mm})$）。为明确模拟人类病理学家如何结合多尺度信息，我们引入一类具有深度融合的多编码器 FCN。我们提出一个简单模块，以保留空间关系的方式合并具有不同空间尺度的模型路径，其可轻易嵌入标准编码器-解码器网络。此外，提出上下文分类门模块作为融入全局上下文的替代方案。我们的实验在近期挑战赛的三个公开全切片图像（PAIP 2019、BACH 2020、CAMELYON 2016）上进行。多尺度架构始终大幅优于基线单尺度 U-Net。它们受益于局部与全局上下文，尤其二者结合。若融合不同尺度的特征图，以保留空间关系的方式融合被证实有益。上下文分类损失的深度引导似以低计算成本改善模型训练。所有多尺度模型相较在不同图像尺度上训练的独立 U-Net 集成均减少了 GPU 显存占用。额外路径融合可以低计算成本实现，为进一步的系统化及任务特定架构优化开辟可能。这些发现展示了所提出受人类启发、端到端可训练的多尺度多编码器 FCN 家族通过广泛整合差异巨大的空间尺度来改进深度组织病理学诊断的潜力。