基于无监督CAE方法实现更透明准确的癌症诊断
图像与视频处理
2024-01-11 v1 计算机视觉与模式识别
摘要
数字病理学通过利用基于内容的医学图像检索(CBMIR)来分析组织病理学全切片图像(WSIs)，已经革新了癌症诊断。CBMIR 支持搜索相似内容，增强了诊断的可靠性与准确性。据全球癌症观测站(GCO)报告，2020年乳腺癌和前列腺癌分别占病例的 11.7% 和 14.1%。所提出的无监督 CBMIR (UCBMIR) 复现了传统的癌症诊断工作流程，提供了一种可靠的方法来辅助病理学家得出基于 WSI 的诊断结论。该方法减轻了病理学家的工作负担，潜在地提升了诊断效率。为解决 CBMIR 中缺乏标注组织病理学图像的挑战，我们开发了一种定制的无监督卷积自编码器(CAE)，为搜索引擎组件提取每幅图像 200 个特征。UCBMIR 使用 CBMIR 中广泛使用的数值技术进行评估，并与分类器进行视觉评估和比较。验证涉及三个不同的数据集，其中外部评估证明了其有效性。在使用第一种评估技术时，UCBMIR 优于以往研究，在 BreaKHis 和 SICAPv2 上分别取得了 99% 和 80% 的 top 5 召回率。使用第二种评估技术时，在 BreaKHis 和 SICAPv2 上分别取得了 91% 和 70% 的精确率。此外，UCBMIR 展示了识别图像块中多种模式的能力，在来自 Arvaniti 的外部图像测试中取得了 top 5 准确率 81%。
引用
@article{arxiv.2305.11728,
title = {Towards More Transparent and Accurate Cancer Diagnosis with an Unsupervised CAE Approach},
author = {Zahra Tabatabaei and Adrian Colomer and Javier Oliver Moll and Valery Naranjo},
journal= {arXiv preprint arXiv:2305.11728},
year = {2024}
}
备注
this paper is under review in Scientific reports