用于基于 CNN 的前列腺癌检测系统中图块聚合的 Wide & Deep 神经网络模型
机器学习
2022-01-26 v1
摘要
前列腺癌（PCa）是最常被诊断出的癌症之一，也是男性主要死因之一，2020 年有近 141 万新病例和约 37.5 万死亡。人工智能算法在医学图像分析中影响巨大，包括数字组织病理学，其中卷积神经网络（CNNs）用于提供快速准确的诊断，辅助专家完成该任务。为进行自动诊断，前列腺组织样本首先被数字化为十亿像素分辨率的 Whole-Slide Images（全切片图像）。由于这些图像尺寸巨大，神经网络无法将其作为输入，因此提取称为图块的小子图像并进行预测，获得图块级分类。本工作中，提出了一种基于定制 Wide & Deep 神经网络模型的新型图块聚合方法，其利用从 CNN 获得的图块级类别进行切片级分类。该模型使用恶性组织比例、10 箱恶性概率直方图、直方图的最小二乘回归线以及恶性连通分量数量来执行分类。系统达到了 94.24% 的准确率和 98.87% 的灵敏度，证明所提系统可通过加快筛查过程来辅助病理学家，从而有助于对抗 PCa。
引用
@article{arxiv.2105.09974,
title = {Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems},
author = {Lourdes Duran-Lopez and Juan P. Dominguez-Morales and Daniel Gutierrez-Galan and Antonio Rios-Navarro and Angel Jimenez-Fernandez and Saturnino Vicente-Diaz and Alejandro Linares-Barranco},
journal= {arXiv preprint arXiv:2105.09974},
year = {2022}
}
备注
9 pages, 5 figures