基于图卷积网络的弱监督前列腺组织微阵列分类
计算机视觉与模式识别
2019-11-07 v2 机器学习
图像与视频处理
组织与器官
摘要
基于组织学的分级分类在临床中对许多癌症类型的患者分层治疗具有重要意义。在前列腺癌中，Gleason评分是一种通过细胞的空间组织和腺体的分布来衡量前列腺癌侵袭性的分级系统。然而，Gleason评分的主观判读常存在较大的观察者间和观察者内差异。先前基于深度学习的客观Gleason分级工作需要人工像素级标注。在本工作中，我们提出一种利用图卷积网络（GCNs）对组织微阵列（TMA）进行分级分类的弱监督方法，其中我们将细胞的空间组织建模为图，以更好地捕捉肿瘤细胞的增殖和群落结构。作为图中节点级特征，我们使用基于对比预测编码（CPC）的自监督方法学习每个细胞的形态测量。我们证明，在五折交叉验证中，我们的方法仅使用TMA级标签即可达到的AUC。我们的方法比带有纹理特征的标准GCN提升39.80%，比带有VGG19特征的GCN提升29.27%。我们提出的流程可用于客观地对低风险和高风险病例进行分层，减少观察者间和观察者内差异以及病理医生的工作负担。
引用
@article{arxiv.1910.13328,
title = {Weakly Supervised Prostate TMA Classification via Graph Convolutional Networks},
author = {Jingwen Wang and Richard J. Chen and Ming Y. Lu and Alexander Baras and Faisal Mahmood},
journal= {arXiv preprint arXiv:1910.13328},
year = {2019}
}