用于保留密集特征的 Ki67 细胞核检测
图像与视频处理
2022-07-19 v3 定量方法
摘要
细胞核检测是乳腺癌图像中 Ki67 增殖指数估计的一项关键任务。深度学习算法在细胞核检测任务中已展现出强大潜力。然而，当应用于具有密集中等大小和重叠细胞核的病理图像时，它们面临挑战，因为精细细节常被早期最大池化层稀释或完全丢失。本文介绍了一种优化的 UV-Net 架构，专为通过特征保留以高分辨率恢复核细节从而计算 Ki67 增殖指数而开发。UV-Net 在留出测试块数据上取得了 0.83 的平均 F1 分数，而其他架构为 0.74-0.79。在来自多个中心的组织微阵列（未见过）测试数据上，UV-Net 的准确率大幅超越其他架构，包括在 Ontario Veterinary College 上高出 9-42%、在 Protein Atlas 上高出 7-35%、在 University Health Network 上高出 0.3-3%。
引用
@article{arxiv.2111.05482,
title = {Preserving Dense Features for Ki67 Nuclei Detection},
author = {Seyed Hossein Mirjahanmardi and Melanie Dawe and Anthony Fyles and Wei Shi and Fei-Fei Liu and Susan Done and April Khademi},
journal= {arXiv preprint arXiv:2111.05482},
year = {2022}
}
备注
Published in SPIE Medical Imaging 04/2022: Digital and Computational Pathology; 120390Y. Event: SPIE Medical Imaging, 2022, San Diego, California, United States