利用PHH3作为参考训练染色不变蒸馏卷积网络进行H&E乳腺组织全切片有丝分裂检测
计算机视觉与模式识别
2018-08-20 v1
摘要
组织切片中肿瘤细胞有丝分裂的手动计数是乳腺癌最强的预后标志物之一。然而，该过程耗时且易错。我们开发了一种基于卷积神经网络（CNNs）自动检测乳腺癌组织切片中有丝分裂象的方法。将CNNs应用于苏木精-伊红（H&E）染色组织学切片受限于：（1）病理学家建立的参考标准噪声大且昂贵，（2）因实验室间染色差异导致泛化能力不足，以及（3）处理吉像素全切片图像（WSIs）所需的高计算需求。本文提出一种训练与评估CNNs的方法，以专门解决乳腺癌WSIs有丝分裂检测中的这些问题。首先，通过结合磷酸组蛋白H3（PHH3）重染切片中有丝分裂活动的图像分析与配准，我们构建了整个H&E WSI中有丝分裂检测的参考标准，所需人工标注工作量极小。其次，我们设计了一种数据增强策略，通过直接修改苏木精与伊红颜色通道来生成多样且真实的H&E染色变化。在训练中结合该策略与网络集成，得到了染色不变的有丝分裂检测器。第三，我们应用知识蒸馏以降低有丝分裂检测集成模型的计算需求，且性能损失可忽略。该系统在单中心队列中训练，并在来自癌症基因组图谱（The Cancer Genome Atlas）的独立多中心队列中针对肿瘤增殖评估挑战（TUPAC）的三项任务进行评估。我们在该挑战大多数任务中取得了排名前三的方法性能。
引用
@article{arxiv.1808.05896,
title = {Whole-Slide Mitosis Detection in H&E Breast Histology Using PHH3 as a Reference to Train Distilled Stain-Invariant Convolutional Networks},
author = {David Tellez and Maschenka Balkenhol and Irene Otte-Holler and Rob van de Loo and Rob Vogels and Peter Bult and Carla Wauters and Willem Vreuls and Suzanne Mol and Nico Karssemeijer and Geert Litjens and Jeroen van der Laak and Francesco Ciompi},
journal= {arXiv preprint arXiv:1808.05896},
year = {2018}
}
备注
Accepted to appear in IEEE Transactions on Medical Imaging