用于高效标注的 HER2 切片超像素预分割
计算机视觉与模式识别
2022-01-20 v1 人工智能
机器学习
摘要
监督式深度学习在包括组织病理学和癌症研究在内的不同应用的医学图像分割中已展现出最先进的性能；然而，此类数据的手动标注极为费力。在这项工作中，我们探索使用超像素方法计算用于乳腺癌诊断的 HER2 染色图像的预分割，以便在第二步中更快地进行手动标注和修正。比较了四种方法：作为基线标准简单线性迭代聚类（SLIC）、领域自适应的 SLIC，以及基于预训练 ResNet-50 和去噪自编码器的特征嵌入的超像素。为解决过分割问题，我们提出基于各自特征空间中的内容对超像素进行层次化合并。在完全手动标注的图像上评估这些方法时，我们观察到基于自编码器的超像素相比基线 SLIC 超像素在边界 F1 分数上实现了 23% 的提升。此外，当在自适应 SLIC 和基于自编码器的超像素上应用层次聚类时，边界 F1 分数提升了 73%。这些评估显示了用于高效手动精修的预分割的令人鼓舞的初步结果，且无需初始标注训练数据集。
引用
@article{arxiv.2201.07572,
title = {Superpixel Pre-Segmentation of HER2 Slides for Efficient Annotation},
author = {Mathias Öttl and Jana Mönius and Christian Marzahl and Matthias Rübner and Carol I. Geppert and Arndt Hartmann and Matthias W. Beckmann and Peter Fasching and Andreas Maier and Ramona Erber and Katharina Breininger},
journal= {arXiv preprint arXiv:2201.07572},
year = {2022}
}