面向大尺寸组织病理学图像的全卷积 DenseUNet 重新设计
计算机视觉与模式识别
2021-08-06 v1 机器学习
摘要
组织病理学图像中癌组织的自动分割可帮助临床医生检测、诊断和分析此类疾病。与许多用于基准测试的卷积网络中的其他自然图像不同，组织病理学图像可能极其庞大，且癌变模式可延伸至超过 1000 像素。因此，文献中知名的网络从未被构想用于处理这些特性。在本工作中，我们提出了一种专为解决组织病理学问题而设计的全卷积 DenseUNet。我们在近期 MICCAI 2019 发布的两个公共病理学数据集上评估了我们的网络：结肠癌图像中的二值分割（DigestPath2019）和前列腺癌图像中的多类分割（Gleason2019），分别取得了与挑战赛冠军相似和更优的结果。此外，我们讨论了训练设置中的一些良好实践以 yielding 最佳性能，以及这些组织病理学数据集中的主要挑战。
引用
@article{arxiv.2108.02676,
title = {Redesigning Fully Convolutional DenseUNets for Large Histopathology Images},
author = {Juan P. Vigueras-Guillén and Joan Lasenby and Frank Seeliger},
journal= {arXiv preprint arXiv:2108.02676},
year = {2021}
}
备注
15 pages, 6 figures. Originally submitted to the European Conference on Computer Vision 2020 (but did not get enough grade to pass the acceptance threshold)