OCELOT：用于组织学病理学中重叠细胞与组织的数据集
图像与视频处理
2023-03-27 v2 计算机视觉与模式识别
摘要
细胞检测是计算病理学中的基础任务，可用于从全切片图像中提取高层医疗信息。为准确检测细胞，病理学家常缩放至全局以理解组织级结构，并放大以基于形态学及周围上下文对细胞分类。然而，在细胞检测模型中反映病理学家此类行为的努力匮乏，主要归因于缺乏同时含重叠区域细胞与组织标注的数据集。为克服该局限，我们提出并公开发布 OCELOT，一个专门致力于组织学病理学中细胞-组织关系研究以用于细胞检测的数据集。OCELOT 在多个器官获取的图像上提供重叠的细胞与组织标注。在此设定下，我们还提出从同时学习细胞与组织任务中获益的多任务学习方法。与仅训练于细胞检测任务的模型相比，我们提出的方法在 3 个数据集上提升了细胞检测性能：所提 OCELOT、公开 TIGER 及内部 CARP 数据集。尤其在 OCELOT 测试集上，我们展示了高达 6.79 的 F1-score 提升。我们相信本文的贡献，包括在 https://lunit-io.github.io/research/publications/ocelot 发布 OCELOT 数据集，是朝向在计算病理学中纳入细胞-组织关系这一重要研究方向的 crucial 起点。
引用
@article{arxiv.2303.13110,
title = {OCELOT: Overlapped Cell on Tissue Dataset for Histopathology},
author = {Jeongun Ryu and Aaron Valero Puche and JaeWoong Shin and Seonwook Park and Biagio Brattoli and Jinhee Lee and Wonkyung Jung and Soo Ick Cho and Kyunghyun Paeng and Chan-Young Ock and Donggeun Yoo and Sérgio Pereira},
journal= {arXiv preprint arXiv:2303.13110},
year = {2023}
}
备注
Accepted for publication at CVPR'23