基于图像块的卷积神经网络用于全切片组织图像分类
计算机视觉与模式识别
2016-03-10 v5
摘要
卷积神经网络(CNN)是许多图像分类任务中最先进的模型。然而，为了自动识别癌症亚型，在十亿像素分辨率的全切片组织图像(WSI)上训练CNN目前在计算上是不可能的。癌症亚型的区分基于在图像块尺度上观察到的细胞级视觉特征。因此，我们认为在这种情况下，在图像块上训练块级分类器将优于或类似于图像级分类器。挑战变为如何智能地组合块级分类结果，并对并非所有块都具有判别性这一事实建模。我们提出训练一个决策融合模型来聚合由块级CNN给出的块级预测，据我们所知这之前未被展示过。此外，我们提出了一种新颖的基于期望最大化(EM)的方法，通过利用块的空间关系自动鲁棒地定位判别性块。我们将我们的方法应用于将胶质瘤和非小细胞肺癌病例分类为亚型。我们方法的分类精度与病理学家之间的观察者间一致性相似。尽管在WSI上训练CNN是不可能的，我们通过使用一个较小的可比非癌症数据集实验证明基于块的CNN可以优于基于图像的CNN。
引用
@article{arxiv.1504.07947,
title = {Patch-based Convolutional Neural Network for Whole Slide Tissue Image Classification},
author = {Le Hou and Dimitris Samaras and Tahsin M. Kurc and Yi Gao and James E. Davis and Joel H. Saltz},
journal= {arXiv preprint arXiv:1504.07947},
year = {2016}
}