高效的线粒分裂检测:利用预先训练的更快的R-CNN和细胞级分类

科学领域:

• 病理学 病理学 病理学
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 精确评估线粒活性对于乳腺癌分级和治疗至关重要.
• 在染有血素和乙素 (H&E) 的幻灯片中手动计数小分裂是耗时且具有挑战性的.
• 计算机辅助的方法可以简化线粒分裂的检测.

研究的目的:

• 通过使用深度神经网络,研究在组织病理学图像中自动线粒分裂检测.
• 将线粒分裂检测视为一个物体检测问题.
• 为了评估预先训练的快速R-CNN的性能,使用原始图像数据来检测线粒分裂.

主要方法:

• 用多个神经网络来检测线粒分裂.
• 采用Faster R-CNN用于对组织病理学图像的物体检测.
• 在MITOS-ATYPIA-14和TUPAC16数据集上进行了实验.

主要成果:

• 证明了深度神经网络在自动特征提取方面的潜力.
• 与文献中的现有方法相比,取得了可比或改进的结果.
• 验证了Faster R-CNN在组织样本中检测线粒分裂的有效性.

结论:

• 深度学习方法在乳腺癌病理学中的自动化线粒分裂检测方面表现有前途.
• 像Faster R-CNN这样的对象检测框架是这项任务的有效工具.
• 自动化线粒分裂计数可以提高癌症分级的效率和准确性.