非小细胞肺癌分割：引入 DRU-Net 和多镜头畸变
图像与视频处理
2024-06-21 v1 计算机视觉与模式识别
机器学习
定量方法
摘要
考虑到今天病理实验室工作量的增加，人工智能模型等自动化工具可以帮助病理医生完成任务并减轻工作负担。本文我们提出一种分割模型（DRU-Net），可为人类非小细胞肺癌提供描绘，并提出一种数据增强方法，可提高分类结果。该模型是截断的预训练 DenseNet201 和 ResNet101V2 作为基于补丁的分类器，其后跟一个轻量级 U-Net 作为细化模型。我们使用两个数据集（挪威肺癌生物库和哈克莱德大学医院肺癌队列）来创建我们提出的模型。DRU-Net 模型实现了平均 0.91 的 Dice 相似系数。该提出的空间数据增强方法（多镜头畸变）通过 3% 提高了网络性能。我们的发现表明，选择特定包含感兴趣区域的图像补丁可比其他采样方法更好地提高基于补丁的分类器的结果。定性分析表明，DRU-Net 模型在检测肿瘤方面通常成功。测试集上，某些案例显示出在肿瘤周围区域的假阳性和假阴性分割区域，特别是在伴有炎症和活性变化的肿瘤。
引用
@article{arxiv.2406.14287,
title = {Segmentation of Non-Small Cell Lung Carcinomas: Introducing DRU-Net and Multi-Lens Distortion},
author = {Soroush Oskouei and Marit Valla and André Pedersen and Erik Smistad and Vibeke Grotnes Dale and Maren Høibø and Sissel Gyrid Freim Wahl and Mats Dehli Haugum and Thomas Langø and Maria Paula Ramnefjell and Lars Andreas Akslen and Gabriel Kiss and Hanne Sorger},
journal= {arXiv preprint arXiv:2406.14287},
year = {2024}
}
备注
16 pages, 7 figures, submitted to Scientific Reports