全切片图像即二维点云：基于图块图卷积网络的上下文感知生存预测
图像与视频处理
2021-07-29 v1 计算机视觉与模式识别
组织与器官
摘要
癌症预后预测是计算病理学中的一项挑战性任务，需要组织学特征的上下文感知表示，以充分推断患者生存情况。尽管弱监督深度学习取得了进展，许多方法缺乏上下文感知能力，无法对细胞身份与组织类型之间对生存预后有重要意义的形态学特征交互进行建模。本工作中，我们提出 Patch-GCN，一种上下文感知、空间分辨的基于图块的图卷积网络，它分层聚合实例级组织学特征，以建模肿瘤微环境中的局部与全局拓扑结构。我们在癌症基因组图谱（TCGA）中五种不同癌症类型的 4,370 张十亿像素 WSI 上验证 Patch-GCN，并证明 Patch-GCN 优于所有先前的弱监督方法 3.58–9.46%。我们的代码与相应模型公开于 https://github.com/mahmoodlab/Patch-GCN。
引用
@article{arxiv.2107.13048,
title = {Whole Slide Images are 2D Point Clouds: Context-Aware Survival Prediction using Patch-based Graph Convolutional Networks},
author = {Richard J. Chen and Ming Y. Lu and Muhammad Shaban and Chengkuan Chen and Tiffany Y. Chen and Drew F. K. Williamson and Faisal Mahmood},
journal= {arXiv preprint arXiv:2107.13048},
year = {2021}
}
备注
MICCAI 2021