基于最小点标注的全切片图像肾细胞癌检测与亚型分类
图像与视频处理
2020-08-13 v1 计算机视觉与模式识别
机器学习
定量方法
摘要
在医学影像中获取大量标注数据费力且耗时，组织病理学尤为如此。然而，从全切片图像（WSIs）中获取未标注数据则要容易且廉价得多。半监督学习（SSL）是利用未标注数据并缓解对标注数据需求的有效途径。为此，我们提出了一种框架，采用 SSL 方法结合一种称为最小点标注（Minimal Point-Based annotation）的新型标注方法精确检测癌变区域，随后利用预测结果配合一种创新性混合损失训练分类模型以进行亚型分类。标注者仅需在每张 WSI 中标记少数点并标注其是否为癌。在肾细胞癌（RCC）三种重要亚型上的实验证明，使用 Min-Point 标注数据集训练的分类器在癌变区域检测上的性能可与使用分割标注数据集训练的分类器相媲美；并且该亚型分类模型在测试 WSI 上的 f1-score 比仅使用诊断标签训练的模型高出 12%。
引用
@article{arxiv.2008.05332,
title = {Renal Cell Carcinoma Detection and Subtyping with Minimal Point-Based Annotation in Whole-Slide Images},
author = {Zeyu Gao and Pargorn Puttapirat and Jiangbo Shi and Chen Li},
journal= {arXiv preprint arXiv:2008.05332},
year = {2020}
}
备注
10 pages, 5 figure, 3 tables, accepted at MICCAI 2020