TriResNet：用于组织病理学分级的深度三流残差网络

尽管组织病理学切片的显微镜分析通常被认为是进行癌症诊断与分级的金标准方法，但当前的分析方法极为耗时且劳动密集，因为它要求病理学家以细致的方式目视检查组织样本以寻找癌症的存在。因此，近来人们对用于分析组织病理学切片以进行癌症分级的计算机辅助诊断系统产生了显著兴趣，以协助病理学家更高效、准确且一致地进行癌症诊断与分级。在这项工作中，我们研究并探索了一种深度三流残差网络（TriResNet）架构，用于瓦片级组织病理学分级，这是计算机辅助全切片组织病理学分级的关键第一步。具体而言，所提出的TriResNet网络架构背后的设计理念是促进学习一组更多样的定量特征，以更好地表征组织病理学样本中所发现的复杂组织特征。在两个广泛使用的计算机辅助组织病理学基准数据集（CAMELYON16数据集与浸润性导管癌（IDC）数据集）上的实验结果表明，与其他两种最先进的深度卷积神经网络架构相比，所提出的TriResNet网络架构能够实现明显更高的准确率。基于这些有前景的结果，希望所提出的TriResNet网络架构能成为有助于病理学家提高组织病理学分级过程一致性、速度与准确性的有用工具。