×
鲁、西;你，泽君;孙苗苗;吴京;张志宏

利用级联卷积神经网络和U网络检测乳腺癌有丝分裂细胞。 （英语） Zbl 1471.92101号

数学。Biosci公司。工程师。 18，编号1，673-695（2021）.
摘要：每张切片中检测到的有丝分裂肿瘤细胞数量是乳腺癌预后的关键指标之一。然而，准确的有丝分裂细胞计数仍然是病理学家和相关专家的难题。传统方法使用手动设计算法提取有丝分裂细胞的特征，大多数方法依靠滑动窗口通过深度学习实现像素级分类。然而，复杂的背景和高分辨率的病理图像使得上述方法耗时且无效。为了解决上述问题，我们提出了一种新的级联卷积神经网络UBCNN（cascaded CNN based on UNet），它由三部分组成：语义分割和检测有丝分裂的分类。首先，我们使用改进的UNet++分割网络来定位有丝分裂目标的候选集。其次，将一个标记充分的细胞核数据集发送到一个改进的二维VNet网络，通过语义分割定位细胞核，以获得有丝分裂和无丝分裂细胞的精确图像块。最后，利用获得的细胞图像块训练卷积神经网络实现二值分类，并筛选候选集区域以保留有丝分裂细胞的最终结果。本文在ICPR 2012和2014有丝分裂自动检测竞争数据集上验证了上述级联检测算法的检测效果。评价指标包括准确性、召回率和F分数。我们基于分割和分类的级联检测算法在ICPR 2012数据集上达到0.831，在ICPR 2014数据集上为0.576。与现有的其他算法相比，该算法的检测效果得到了改善，具有很强的竞争力。

引用于2文件

理学硕士：

92立方 病理学、病理生理学
92立方37 细胞生物学
68T07型 人工神经网络与深度学习

关键词：

有丝分裂自动检测;乳腺癌;深度学习;级联检测;语义分割;二进制分类

软件：

屏蔽R-CNN;更快的R-CNN
PDF格式BibTeX公司 XML格式引用
\textit｛X.Lu｝等人，数学。Biosci公司。工程18，编号1673-695（2021；兹bl 1471.92101）
全文： 内政部
OA许可证

参考文献：

[1] C、 乳腺癌的病理预后因素。I.乳腺癌组织学分级的价值：一项长期随访的大型研究的经验，《组织病理学》，1991年第19期，第403-410页
[2] G、 计算病理学中语义分割与分类的深度学习：乳腺癌分级中有丝分裂分析的应用，前沿。比昂。生物技术。，7-145, 2019
[3] 有丝分裂检测竞赛[EB/OL]，http://ipal.cnrs.fr/ICPR2012/。
[4] MITOS-ATYPIA-14比赛[EB/OL]，https://mitos-atypia-14.grand-challenge.org/home/。
[5] C、 组织病理学图像中基于学习的有丝分裂细胞检测，Proc。第21届国际会议模式识别。，2306-2309, 2012
[6] S.Berg、D.Kutra、T.Kroeger、C.N.Straehle、B.X.Kausler、C.Haubold等，《Ilastik：（生物）图像分析的交互式机器学习》，自然方法, (2019), 1226-1232.
[7] C、 基于独占独立成分分析的有丝分裂自动检测。第21届国际会议模式识别。，1856-1859, 2012
[8] A、 用于检测乳腺癌组织病理学图像中有丝分裂细胞的伽马-高斯混合模型，Proc。第21届国际会议模式识别。，149-152, 2012
[9] H.Irshad，使用形态学和多通道统计特征的组织病理学中的自动有丝分裂检测，《病理学杂志》。信息。, 4 (2013), 10.
[10] A.Tashk，M.S.Helfroush，H.Danyali，M.Akbarzadeh-jahromi，基于纹理、统计和创新数学特征组合的乳腺癌有丝分裂细胞自动检测，申请。数学。模型1。, 39 (2015), 6165-6182. ·Zbl 1443.92109号
[11] F.Pourakpour，H.Ghassemian，基于乳腺癌组织学幻灯片图像的有效纹理和形态特征组合的自动有丝分裂检测，生物识别。工程师。IEEE，39（2016），214-223。
[12] H.Wang，A.Cruzroa，A.Basavanhally，H.Gilmore，N.Shih，M.Feldman等，通过结合手工制作和卷积神经网络特征在乳腺癌病理图像中进行有丝分裂检测，医学图像杂志。, 1 (2014), 034003.
[13] T、 用于组织学图像中有丝分裂检测的多尺度深层神经网络，Proc。国际竞争情报。Informat公司。生物识别。科学。，47-51, 2018
[14] D、 利用深层神经网络检测乳腺癌组织学图像中的有丝分裂，国际医学杂志，图像计算。计算。辅助干预，411-4182013
[15] H、 通过深层级联网络在乳腺癌组织学图像中检测有丝分裂，Proc。第30届AAAI会议人工制品。智力。，1160-1166, 2016
[16] M、 乳腺癌组织学图像中有丝分裂检测的一种新的两阶段深度方法，Proc。第24届国际会议模式识别。，3892-3897, 2018
[17] N、 使用混合特征空间的乳腺癌组织病理学图像中的有丝分裂检测，Photodiagn。Photodyn公司。疗法。，101885, 2020
[18] Y、 深层网络的多特征融合用于组织学图像中的有丝分裂分割，国际图像杂志。系统。技术。，1-13, 2020
[19] 黄光裕，王德华，吴建中，蒋维忠，孔晓霞，黄光裕等，一种学习有丝分裂分类的模糊分割方法，国际模糊系统杂志。, (2020), 1653-1664.
[20] C.Li，X.Wang，W.Liu，L.J.Latecki，《深度有丝分裂：通过深度检测、验证和分割网络进行有丝分裂检测》，医学图像分析。, (2018), 121-133.
[21] S.Ren，K.He，R.Girshick，J.Sun，Faster R-CNN:使用区域提议网络实现实时目标检测，IEEE传输。模式分析。机器。智力。(2017), 1137-1149.
[22] K、 图像识别的深度残差学习，继续。IEEE配置计算。视觉模式识别。，770-778, 2016
[23] H、 一种用于有丝分裂检测的改进目标检测方法，Proc。第41年。国际会议IEEE工程医学生物学。Soc.，130-1332019年
[24] A、 深入研究峰值神经网络：VGG和剩余结构，Front。神经科学。，1-10, 2019
[25] C.Li，X.Wang，W.Liu，L.J.Latecki，B.Wang，J.Huang，使用同心缺失在乳腺组织病理学图像中弱监督有丝分裂检测，医学图像分析. (2019), 165-178.
[26] K.He、G.Gkioxari、P.Dollár、r.Girshick、Mask r-CNN、，继续。IEEE国际协调计算。愿景, (2017), 2980-2988.
[27] 五、 组织病理学图像中的掩模驱动有丝分裂检测，继续。IEEE第16届国际研讨会。生物识别。成像，1855-18592019
[28] D、 RCNN在乳腺癌组织学图像中有效检测有丝分裂，继续。IEEE第16届国际研讨会。生物识别。成像，919-9222019
[29] Y.Li，E.Mercan，S.Knezevitch，J.G.Elmore，L.G.Shapiro，高效准确的有丝分裂检测，一种轻量级的RCNN方法，继续。第七国际Conf模式识别。申请。方法, (2018), 69-77.
[30] H、 用于组织病理学图像有丝分裂检测的注意力引导多分支卷积神经网络，J.Biomed。卫生信息，2168-21942020
[31] T、 使用更快的R-CNN和深层CNN在乳腺癌组织病理学图像中基于人工智能的有丝分裂检测，J.Clin。医学，7492020
[32] S、 《部分有丝分裂：乳腺癌组织病理学图像中有丝分裂检测的部分监督深入学习框架》，IEEE Access，2020年1月1日至1日
[33] S.Meriem，X.Wang，T.Wang，《面具有丝分裂症：组织病理学图像中完全监督、弱监督和无监督有丝分裂检测的深度学习框架》，医学生物学。工程计算。, (2020) 1603-1623.
[34] N、 计算病理学广义核分割的数据集和技术，IEEE Trans。医学成像，361550-15602017
[35] O、 U-Net：生物医学图像分割的卷积网络，国际医学图像计算。计算。辅助干预，234-2412015
[36] Z、 UNet++：用于医学图像分割的嵌套U-Net架构，Dlmia，1-72018
[37] C.Y.Lee，S.Xie，P.Gallagher，Z.Zhang，Z.W.Tu，深度监管网，继续。2015年第18届国际会议论文。国际统计。, (2015), 562-570.
[38] C、 广义骰子重叠作为高度不平衡分段的深度学习损失函数，计算。视觉模式识别。，2017
[39] C.Yamauchi，T.Hasebe，M.Iwasaki，S.Imoto，N.Wada，M.Fukayama等，根据肿瘤区域准确评估乳腺浸润性导管癌中的淋巴管癌栓及其预后意义，哼，太可怕了。, 38 (2007), 247-259.
[40] H.Wang、A.Cruz-Roa、A.Basavanhally、H.Gilmore、N.Shih、M.Feldman等，用于有丝分裂检测的卷积神经网络级联集成和手工特征，程序。SPIE公司, 9041 (2014).
[41] F、 V-Net：用于体积医学图像分割的全卷积神经网络。国际会议3D Vision，565-5712016
[42] K、 图像识别的深度残差学习。IEEE配置计算。视觉。模式识别。，770-778, 2016
[43] P、 多目标强化学习的Softmax探索策略，神经计算。，74-86, 2017
[44] A、 组织学图像的结构保持颜色标准化，IEEE国际标准。生物识别。成像，1012-10152015
[45] A、 使用深度卷积神经网络进行ImageNet分类，Int.Conf.neural Inf.Process。系统。，1097-1105, 2012
[46] N、 一种从灰度直方图中选择阈值的方法，IEEE Trans。系统。人、赛博、。，9, 62-66, 1979
[47] M、 乳腺癌组织病理学图像中有丝分裂图像的检测，SPIE医学成像，2013，867607，8676
[48] C.D.Malon，C.Eric，利用卷积神经网络和种子斑点特征对有丝分裂图像进行分类，《病理学杂志》。信息。, 4 (2013), 9.
[49] M Veta，P.J.Diest，S.M.Willems，H.Wang，A.Madabhushi，A.Cruz Roa等人，乳腺癌组织病理学图像中有丝分裂检测算法的评估，医学图像分析。，20（2015），237-248。
[50] H、 利用深度回归网络进行自动有丝分裂检测，2016年IEEE第13届国际研讨会。生物识别。成像，1945-8452，2016
[51] C.Li，X.Wang，W.Liu，L.J.Latecki，《深度有丝分裂：通过深度检测、验证和分割网络进行有丝分裂检测》，医学图像分析。, 45 (2018), 121-133.
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。