PECNet：一种用于嗜酸性食管炎活检诊断的深度多标签分割网络
计算机视觉与模式识别
2021-03-04 v1 机器学习
图像与视频处理
定量方法
摘要
背景。嗜酸性食管炎（EoE）是一种与嗜酸性粒细胞数量升高相关的食管过敏性炎症性疾病。疾病诊断与监测需要确定食管活检中嗜酸性粒细胞的浓度，这是一项目前由病理学家完成的耗时、繁琐且具有一定主观性的任务。方法。在此，我们旨在利用机器学习来识别、定量并诊断 EoE。我们对来自 23 名 EoE 患者的食管活检 H&E 染色切片全玻片扫描所获得的 4345 张图像中超过 1 亿个像素进行了标注。我们利用该数据集训练了一个多标签分割深度网络。为验证该网络，我们考察了来自多家机构的 419 名患者的 1089 张全玻片图像组成的复制队列。结果。PECNet 分割完整与不完整嗜酸性粒细胞的平均交并比（mIoU）为 0.93。该分割能够以 0.611 个嗜酸性粒细胞的平均绝对误差定量完整嗜酸性粒细胞，并以 98.5% 的准确率对 EoE 疾病活动度进行分类。利用来自验证队列的全玻片图像，PECNet 在报告 EoE 疾病活动度方面达到了 94.8% 的准确率、94.3% 的灵敏度和 95.14% 的特异度。解释。我们开发了一种深度学习多标签语义分割网络，成功解决了 EoE 诊断与数字病理学中两个主要挑战：需要同时检测多种小型特征，以及能够高效分析全玻片。我们的结果为 EoE 的自动化诊断铺平了道路，并可用于具有类似挑战的其他疾病。
引用
@article{arxiv.2103.02015,
title = {PECNet: A Deep Multi-Label Segmentation Network for Eosinophilic Esophagitis Biopsy Diagnostics},
author = {Nati Daniel and Ariel Larey and Eliel Aknin and Garrett A. Osswald and Julie M. Caldwell and Mark Rochman and Margaret H. Collins and Guang-Yu Yang and Nicoleta C. Arva and Kelley E. Capocelli and Marc E. Rothenberg and Yonatan Savir},
journal= {arXiv preprint arXiv:2103.02015},
year = {2021}
}