用于千兆像素级组织学图像分割的表示-聚合网络
计算机视觉与模式识别
2017-07-28 v1
摘要
卷积神经网络（CNN）模型已成为大多数自然图像计算机视觉任务的最先进技术。然而，由于组织学切片的千兆像素级分辨率全幻灯片图像（WSIs）尺寸巨大，这些模型并不最适合处理此类图像。当前的方法从 WSIs 中构建较小的图像块，这会导致上下文信息的丢失。我们提出使用新颖的表示-聚合网络（RAN）进行分割以捕获空间上下文，其中第一个网络学习图像块级别的表示，第二个网络从相邻图像块网格中聚合上下文。我们可以使用任何 CNN 进行表示学习，并可以利用 CNN 或二维长短期记忆网络（2D-LSTM）进行上下文聚合。在乳腺癌组织切片的 WSIs 肿瘤分割任务上，我们的方法显著优于传统的基于图像块的 CNN 方法。
引用
@article{arxiv.1707.08814,
title = {Representation-Aggregation Networks for Segmentation of Multi-Gigapixel Histology Images},
author = {Abhinav Agarwalla and Muhammad Shaban and Nasir M. Rajpoot},
journal= {arXiv preprint arXiv:1707.08814},
year = {2017}
}
备注
Published in Workshop on Deep Learning in Irregular Domains (DLID) in BMVC2017