利用半自动标注数据分割前列腺活检中潜在癌变区域
计算机视觉与模式识别
2019-04-16 v1 机器学习
摘要
ISUP 2014 规定的 Gleason 分级是前列腺癌分期的临床标准，也是治疗决策中最重要的部分。然而，该分级具有主观性，且用户内与用户间变异性高。为提高分级的一致性与客观性，我们引入无基底细胞（WOB）的腺体组织作为金标准。基底细胞的存在是良性腺体组织最受认可的生物学标志物，而基底细胞的缺失是腺泡型前列腺腺癌（最常见的前列腺癌形式）的强指示。通过使用针对腺体组织（细胞角蛋白 8/18）和基底细胞（细胞角蛋白 5/6 + p63）的特异性免疫染色，可以客观地将腺体组织评估为 WOB 或非 WOB。更重要的是，WOB 使我们能够开发半自动数据生成流程，以加速病理学家标注全切片图像这一极其耗时且昂贵的过程。我们生成了 295 张以前列腺切除术图像，并用 WOB 进行了详尽标注。随后，我们使用在 Camelyon17 挑战赛中取得报道第二佳成绩的深度学习框架，训练用于分割针吸活检中 WOB 的网络。在 63 张针吸活检上的模型评估显示出有前景的结果，并通过在 118 张用 WOB 标注的活检上微调模型得到进一步改善，在像素级别达到了 0.80 的 F1 分数和 0.89 的精确率-召回率 AUC。接着，我们将模型性能与由 3 名病理学家仅使用 H&E 染色独立标注的 17 张活检进行比较。比较表明模型表现与病理学家相当。最后，模型在两张被三名病理学家错误标注为完全无 WOB 区域的活检和一张被两名病理学家错误标注的活检中，检测并准确勾画出已有的 WOB 区域。
引用
@article{arxiv.1904.06969,
title = {Segmenting Potentially Cancerous Areas in Prostate Biopsies using Semi-Automatically Annotated Data},
author = {Nikolay Burlutskiy and Nicolas Pinchaud and Feng Gu and Daniel Hägg and Mats Andersson and Lars Björk and Kristian Eurén and Cristina Svensson and Lena Kajland Wilén and Martin Hedlund},
journal= {arXiv preprint arXiv:1904.06969},
year = {2019}
}
备注
Accepted as oral presentation at Medical Imaging with Deep Learning (MIDL) 2019, July, London, England