基于深度迁移学习的髓母细胞瘤肿瘤分类多尺度输入策略
图像与视频处理
2021-09-15 v1 计算机视觉与模式识别
摘要
髓母细胞瘤（MB）是一种原发性中枢神经系统肿瘤，也是儿童中最常见的恶性脑癌。神经病理学家在显微镜下对组织病理学切片进行微观检查以评估肿瘤严重程度。这是一项耗时的任务，且常带有观察者变异性。最近，预训练的卷积神经网络（CNN）在 MB 亚型分类中展现出有前景的结果。通常，高分辨率图像被划分为较小图块进行分类，而图块大小尚未被系统评估。我们研究图块大小和输入策略的影响，并对两种主要组织病理学亚型——经典型和促结缔组织增生/结节型——进行分类。为此，我们使用最近提出的 EfficientNets 并评估尺寸递增的图块结合各种下采样尺度。我们的结果表明，使用大输入图块像素随后进行中间下采样和补丁裁剪显著提升了 MB 分类性能。我们性能最优的方法达到了 90.90\% 的 AUC-ROC 值，而使用较小输入图块的先前方法为 84.53\%。
引用
@article{arxiv.2109.06547,
title = {Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning},
author = {Marcel Bengs and Satish Pant and Michael Bockmayr and Ulrich Schüller and Alexander Schlaefer},
journal= {arXiv preprint arXiv:2109.06547},
year = {2021}
}
备注
Accepted at CURAC 2021