ReCasNet:改进两阶段有丝分裂检测框架内的一致性
计算机视觉与模式识别
2022-03-01 v1 组织与器官
摘要
有丝分裂计数(MC)是癌症诊断与分级的重要组织学参数,但从全切片组织病理学图像中获取 MC 的人工过程非常耗时且易出错。因此,已有深度学习模型被提出以辅助该过程。现有方法采用两阶段流程:检测阶段用于识别潜在有丝分裂细胞的位置,分类阶段用于精炼预测置信度。然而,该流程设计可能因检测阶段预测质量差以及两阶段间训练数据分布不匹配而导致分类阶段的不一致性。在本研究中,我们提出 Refine Cascade Network (ReCasNet),一种增强的深度学习流程,通过三项改进缓解上述问题。首先,使用窗口重定位以减少检测阶段生成的低质量假阳性数量。其次,使用另一深度学习模型进行目标重裁剪以调整中心偏移的目标。第三,在分类阶段引入改进的数据选择策略以减少训练数据分布的不匹配。ReCasNet 在两个大规模有丝分裂图识别数据集——犬皮肤肥大细胞瘤(CCMCT)与犬乳腺 carcinoma(CMC)上进行了评估,在有丝分裂细胞检测的 F1 分数上实现了最高 4.8% 百分点的提升,在 MC 预测的 mean absolute percentage error (MAPE)上实现了 44.1% 的降低。ReCasNet 背后的技术可推广至其他两阶段目标检测网络,并应有助于提升深度学习模型在广泛数字病理学应用中的性能。
引用
@article{arxiv.2202.13912,
title = {ReCasNet: Improving consistency within the two-stage mitosis detection framework},
author = {Chawan Piansaddhayanon and Sakun Santisukwongchote and Shanop Shuangshoti and Qingyi Tao and Sira Sriswasdi and Ekapol Chuangsuwanich},
journal= {arXiv preprint arXiv:2202.13912},
year = {2022}
}