×

CGC-Net公司

swMATH ID: 39633
软件作者: 周延宁(Yanning Zhou)、西蒙·格雷厄姆(Simon Graham)、纳维德·阿莱米·库巴纳尼(Navid Alemi Koohbanani)、穆罕默德·沙班(Muhammad Shaban)、冯安恒(Pheng-Ann Heng)、纳西尔·拉吉普特
描述: CGC-Net:用于结直肠癌组织学图像分级的细胞图卷积网络。结直肠癌(CRC)分级通常通过评估组织学图像中腺体形成的程度来进行。要做到这一点,重要的是通过评估细胞水平的信息以及腺体的形态来考虑整个组织的微环境。然而,目前用于CRC分级的自动化方法通常使用较小的图像块,因此无法将整个组织微结构纳入分级目的。为了克服CRC分级的挑战,我们提出了一种新的细胞-颗粒卷积神经网络(CGC-Net),该网络将每个大型组织学图像转换为一个图形,其中每个节点由原始图像中的一个细胞核表示,细胞间的相互作用根据节点相似性表示为这些节点之间的边。CGC-Net除了利用节点的空间位置外,还利用了核外观特征来进一步提高算法的性能。为了使节点能够融合多尺度信息,我们引入了Adaptive GraphSage,这是一种以数据驱动的方式组合多级特征的图卷积技术。此外,为了处理图中的冗余,我们提出了一种采样技术,可以去除密集核活动区域的节点。我们表明,将图像建模为图形可以有效地考虑比传统基于补丁的方法大得多的图像(大约16倍大),并对组织微环境的复杂结构进行建模。我们在一个大型CRC组织学图像数据集上构建了平均超过3000个节点的细胞图,并报告了与最近基于补丁和基于上下文补丁的技术相比的最新结果,证明了我们方法的有效性。
主页: https://arxiv.org/abs/1909.01068
源代码:  https://github.com/SIAAAAAA/CGC-Net
相关软件: PanNuke核电站;HoVer-Net网络;HACT-网络;渐变CAM;DGL公司;GNN解释人;PyTorch公司;火炬视觉;数字Py;打开幻灯片;ImageNet公司;染色工具;历史TK;QuPath公司;组织实验室;蟒蛇;历史制图
引用于: 0个文档