Varifocal-Net：一种基于深度卷积网络的染色体分类方法
计算机视觉与模式识别
2019-03-21 v4
摘要
染色体分类对于异常诊断中的核型分析至关重要。为加速诊断，我们提出一种名为 Varifocal-Net 的新方法，利用深度卷积网络同时分类染色体类型与极性。该方法由一个全局尺度网络（G-Net）和一个局部尺度网络（L-Net）组成，遵循三个阶段。第一阶段是学习全局与局部特征。我们通过 G-Net 提取全局特征并检测更精细的局部区域。通过提出变焦机制，我们放大局部部位并通过 L-Net 提取局部特征。残差学习和多任务学习策略被用于促进高层特征提取。判别性局部部位的检测由 G-Net 的局部化子网络完成，其训练过程涉及监督与弱监督学习。第二阶段是构建两个多层感知机分类器，利用两种尺度的特征提升分类性能。第三阶段是引入调度策略，利用核型分析的领域知识将每条染色体分配给各病患案例中的某一类型。来自 1909 个核型分析案例的评估结果表明，所提出的 Varifocal-Net 在类型和极性任务上均达到了每病患案例最高准确率（%）99.2。它优于当前最优（state-of-the-art）方法，证明了我们的变焦机制、多尺度特征集成与调度策略的有效性。该方法已应用于辅助实际核型诊断。
引用
@article{arxiv.1810.05943,
title = {Varifocal-Net: A Chromosome Classification Approach using Deep Convolutional Networks},
author = {Yulei Qin and Juan Wen and Hao Zheng and Xiaolin Huang and Jie Yang and Ning Song and Yue-Min Zhu and Lingqian Wu and Guang-Zhong Yang},
journal= {arXiv preprint arXiv:1810.05943},
year = {2019}
}
备注
This paper is accepted to IEEE TMI for future publication. 13 pages, 11 figures, 9 tables