TopOC：用于卵巢和乳腺癌诊断的拓扑深度学习
计算机视觉与模式识别
2024-10-15 v1 机器学习
代数拓扑
摘要
组织样本制备的活检片的显微检查是检测和分类癌灶的主要手段，这一过程耗时且需要有经验的病理学家的专业知识。近期深度学习方法的进展在提高医疗诊断和治疗规划方面具有重要潜力，通过提升准确性、可重复性和速度，从而减少临床医生的工作负担和 turnaround time。然而，培养这些模型需要大量标记数据的要求仍是开发有效临床决策支持系统的主要障碍。本文提出将拓扑深度学习方法整合到现有组织病理图像分析模型中，以增强其准确性和鲁棒性。拓扑数据分析 (TDA) 通过评估不同颜色通道中的拓扑模式，提供一种独特的方式来提取关键信息。虽然深度学习方法从图像中捕获局部信息，但 TDA 提供的全局特征与之互补。我们在公开可用的组织病理数据集上进行实验，结果表明，纳入拓扑特征显著提高了对卵巢癌和乳腺癌肿瘤类型的区分度。
引用
@article{arxiv.2410.09818,
title = {TopOC: Topological Deep Learning for Ovarian and Breast Cancer Diagnosis},
author = {Saba Fatema and Brighton Nuwagira and Sayoni Chakraborty and Reyhan Gedik and Baris Coskunuzer},
journal= {arXiv preprint arXiv:2410.09818},
year = {2024}
}