用于组织学全切片图像多类组织分类的多尺度深度神经网络
图像与视频处理
2019-09-12 v1
摘要
尿路上皮癌患者的正确治疗取决于癌症肿瘤的准确分级与分期。这由病理学家通过检查组织学全切片图像（WSI）手动确定。这些图像尺寸巨大，使该任务耗时且具有挑战性。WSI 包含多种组织类型，一种界定诊断相关区域的方法将在可视化以及作为自动化诊断系统的进一步输入方面具有若干优势。我们提出一种自动多尺度方法，用于将尿路上皮癌患者 WSI 中的图块分类为六类。测试了三种基于卷积神经网络（CNN）的架构：MONO-CNN（400x）、DI-CNN（100x/400x）和 TRI-CNN（25x/100x/400x）。初步结果表明，两种多尺度模型显著优于单尺度模型，取得了 0.986 的 F1 分数，证实在模型中利用多尺度有助于提高分类精度。
引用
@article{arxiv.1909.01178,
title = {Multiscale Deep Neural Networks for Multiclass Tissue Classification of Histological Whole-Slide Images},
author = {Rune Wetteland and Kjersti Engan and Trygve Eftestøl and Vebjørn Kvikstad and Emilius A. M. Janssen},
journal= {arXiv preprint arXiv:1909.01178},
year = {2019}
}
备注
International Conference on Medical Imaging with Deep Learning (MIDL), 2019 [arXiv:1907.08612]