基于斑块的共聚焦激光显微内镜图像癌检测——跨部位鲁棒性评估
计算机视觉与模式识别
2020-01-06 v2
摘要
深度学习技术，如卷积神经网络 (CNN)，为图像识别提供了强大的方法，并最近被应用于共聚焦激光显微内镜 (CLE) 图像中的自动癌检测领域。CLE 是一种（亚）表面显微成像技术，放大倍数可达 1000 倍，因此适用于体内组织结构分析。在这项工作中，我们旨在评估先前开发的一种针对口腔鳞状细胞癌识别的深度学习算法，在泛化到头颈部区域其他解剖部位的鳞状细胞癌方面的前景。我们将该算法应用于五例经组织学验证的鳞状细胞癌患者的声带区域图像，以及临床正常对侧声带的假定健康对照图像。我们发现，在口腔数据上训练的网络应用于声带数据时，准确率达到 89.45%，曲线下面积 (AUC) 值为 0.955。与现有技术水平相比，我们取得了非常相似的结果，但使用的算法是在完全不相交的数据集上训练的。合并两个数据集后，交叉验证结果进一步改善，准确率达到 90.81%，AUC 为 0.970。据我们所知，本研究首次将使用 CLE 图像识别口腔癌的深度学习机制应用于头颈部的其他学科。本研究表明，该算法方法有望很好地泛化到头颈部其他恶性实体，无论解剖位置如何，且以不依赖检查者的方式进行。
引用
@article{arxiv.1707.08149,
title = {Patch-based Carcinoma Detection on Confocal Laser Endomicroscopy Images -- A Cross-Site Robustness Assessment},
author = {Marc Aubreville and Miguel Goncalves and Christian Knipfer and Nicolai Oetter and Tobias Wuerfl and Helmut Neumann and Florian Stelzle and Christopher Bohr and Andreas Maier},
journal= {arXiv preprint arXiv:1707.08149},
year = {2020}
}
备注
Erratum: In the previous version, the number of CLE sequences in the vocal folds data set was inadequately reported