克服基于图像块学习的局限以在全切片图像中检测癌症
图像与视频处理
2020-12-02 v1 计算机视觉与模式识别
机器学习
摘要
全切片图像（WSIs）在训练深度学习模型时带来独特挑战。它们尺寸极大，因此必须将每幅图像切分为更小的图像块进行分析；图像特征须在多个尺度上提取以兼顾细节与上下文；并且可能存在极端的类别不平衡。得益于公开标注数据集的可用，这些图像的分析已取得显著进展。然而，我们假定，即便某方法在挑战任务上得分很高，此成功也未必能转化为更具临床相关性工作流程中的良好表现。许多数据集由图像块构成，可能受数据整理偏差影响；其他数据集仅在全切片层面标注，只要最终判定正确，图像上标注的缺失便会掩盖局部的 erroneous 预测。本文中，我们阐明了图像块或切片级分类与需要在全切片上精准定位或分割癌症的方法之间的差异，并通过实验验证两类情形下最佳实践有所不同。我们将一个二值癌症检测网络应用于新辅助治疗后乳腺癌 WSIs 以寻找勾勒癌症范围的肿瘤床，该任务要求全切片上的灵敏度与精度。我们广泛研究了多种设计选择及其对结果的影响，包括架构与数据增强。此外，我们提出一种负数据采样策略，其大幅降低了假阳性率（切片级 7%）并改善了我们问题中各项相关指标，使肿瘤范围的误差降低 15%。
引用
@article{arxiv.2012.00617,
title = {Overcoming the limitations of patch-based learning to detect cancer in whole slide images},
author = {Ozan Ciga and Tony Xu and Sharon Nofech-Mozes and Shawna Noy and Fang-I Lu and Anne L. Martel},
journal= {arXiv preprint arXiv:2012.00617},
year = {2020}
}