WeGleNet：用于前列腺组织学图像中 Gleason 分级语义分割的弱监督卷积神经网络
图像与视频处理
2021-05-24 v1 计算机视觉与模式识别
摘要
前列腺癌是影响全球男性的主要疾病之一。Gleason 评分系统是前列腺癌的主要诊断工具。这通过专家病理学家对前列腺活检中癌性模式的视觉分析，并将主要 Gleason 分级汇总为组合评分来获得。计算机辅助诊断系统可减少病理学家的工作负担并增加客观性。近来，文献中已做出努力开发旨在利用全局标签在活检/核心水平直接估计全局 Gleason 评分的算法。然而，这些算法未涵盖 Gleason 模式在组织中的精确定位。在本工作中，我们提出了一种基于深度学习的系统，能够在训练时仅使用全局级 Gleason 评分来检测前列腺组织中的局部癌性模式。本工作的核心方法是所提出的弱监督训练卷积神经网络 WeGleNet，其基于特征提取模块后的多类分割层、全局聚合，以及在训练期间为模型损失估计对背景类进行切片。我们在验证队列中获得了癌性模式像素级预测的 Cohen 二次 kappa（k）为 0.67。我们将模型在 Gleason 分级语义分割上的性能与测试队列中监督的最先进架构进行了比较。我们获得了像素级 k 为 0.61 和宏平均 f1-score 为 0.58，与全监督方法处于同一水平。关于核心级 Gleason 评分的估计，我们获得了模型与两位不同病理学家之间分别为 0.76 和 0.67 的 k。WeGleNet 能够执行与全监督方法类似的 Gleason 分级语义分割，而无需像素级标注。
引用
@article{arxiv.2105.10445,
title = {WeGleNet: A Weakly-Supervised Convolutional Neural Network for the Semantic Segmentation of Gleason Grades in Prostate Histology Images},
author = {Julio Silva-Rodríguez and Adrián Colomer and Valery Naranjo},
journal= {arXiv preprint arXiv:2105.10445},
year = {2021}
}