济安裴;曹双良;陆丽君;陈武凡 使用转移学习对乳腺癌组织病理学图像进行直接细胞数估计。 （英语） 兹比尔1423.92171 计算。数学。方法医学。 2019年，文章ID 3041250，13 p.（2019）。 摘要：残留癌症负担（RCB）已被提议用于衡量新辅助治疗后的乳腺癌反应。在RCB评估的工作流程中，估计癌细胞数是一项关键任务，通常通过手动检查癌切片的苏木精和伊红染色显微镜切片来实现。在这项工作中，我们开发了一种自动、直接的方法，利用深度特征表示、树增强和支持向量机（SVM）从组织病理学图像块中估计细胞数，避免了细胞核的分割和分类。使用2394个补丁的训练集和185个补丁的测试集，我们的方法在组内相关性（ICC）（0.94，95%CI为（0.93，0.96））、Kendall’s tau（0.83，95%CI为（0.79，0.86））和预测概率（0.93和95%CI（0.91，0.94））方面与人类病理学家的估计显示出很强的相关性)与其他两种方法相比（ICC为0.74，95%CI为（0.70，0.77），以及0.83，95%CI（0.79，0.86））。我们的方法提高了准确性，并且不依赖单个细胞核的注释。 MSC公司： 92 C55 生物医学成像和信号处理 92-08 生物问题的计算方法 68T05年 人工智能中的学习和自适应系统 62页第10页 统计学在生物学和医学中的应用；元分析 关键词：乳腺癌组织病理学图像;细胞数估计;迁移学习 软件：图像网络;Scikit公司;伦敦银行支持向量机;XGBoost公司;轻型GBM;Xception公司 PDF格式BibTeX公司 XML格式引用 \textit｛Z.Pei｝等人，计算机。数学。方法Med.2019，文章ID 3041250，13 p.（2019；Zbl 1423.92171） 全文： 内政部 参考文献： [1] 西格尔，R.L。；Miller，K.D。；杰马尔，A.，《癌症统计》，2017，加利福尼亚州：临床医生癌症杂志，67，1，7-30（2017）·doi:10.3322/caac.21387 [2] 汤普森，A.M。；Moulder-Thompson，S.L.，乳腺癌的新辅助治疗，《肿瘤学年鉴》，23，10，x231-x236（2012）·doi:10.1093/annonc/mds324 [3] 考夫曼，M。；Hortobagyi，G.N。；Goldhirsch，A.，《国际专家小组关于使用新辅助剂（初级）系统治疗可手术乳腺癌的建议：更新》，《临床肿瘤学杂志》，24，12，1940-1949（2006）·doi:10.1200/jco.2005.02.6187 [4] 冯·明克维茨，G。；Untch，M。；Blohmer，J.-U.，不同内在乳腺癌亚型新辅助化疗后病理完全反应的定义及其对预后的影响，《临床肿瘤学杂志》，30，15，1796-1804（2012）·doi:10.1200/jco.2011.38.8595 [5] Symmans，W.F。；佩因廷格，F。；Hatzis，C.，新辅助化疗后预测生存率的剩余乳腺癌负担测量，临床肿瘤学杂志，25，28，4414-4422（2007）·doi:10.1200/jco.2007.10.6823 [6] 乳腺癌残余癌Burdern，https://www.mdanderson.org/for-physicians/linical-tools-resources/linical-calculators/residual-cancer-burden.html [7] 史密茨，A.J.J。；Kummer，J.A。；de Bruin，P.C.，《病理学家用于分子测试的肿瘤细胞百分比估计不准确》，《现代病理学》，27，2，168-174（2014）·doi:10.1038/modpathol.2013.134 [8] Pakurar，A.S。；Bigbee，J.W.，《数字组织学：带有评论文本的交互式CD地图集》（2011年），美国新泽西州霍博肯：美国新泽西市霍博肯John Wiley&Sons [9] Pantanowitz，L.，《数字图像与数字病理学的未来》，《病理信息学杂志》，2010年第1期，第15页·doi:10.4103/2153-3539.68332 [10] Spanhol，F.A。；Oliveira，L.S。；佩蒂让，C。；Heutte，L.，使用卷积神经网络进行乳腺癌组织病理学图像分类，2016年国际神经网络联合会议（IJCNN）会议记录，IEEE [11] Araújo，T。；阿雷斯塔，G。；Castro，E.，使用卷积神经网络对乳腺癌组织学图像进行分类，PLoS One，12，6（2017）·doi:10.1371/journal.pone.0177544 [12] 克鲁兹·罗阿（A.Cruz-Roa）。；吉尔摩，H。；Basavanhally，A.，《全幻灯片图像中准确且可重复的浸润性乳腺癌检测：量化肿瘤范围的深度学习方法》，《科学报告》，7，1（2017）·doi:10.1038/srep46450 [13] Janowczyk，A。；Madabhushi，A.，《数字病理图像分析的深度学习：精选用例的综合教程》，《病理信息学杂志》，7，1，29（2016）·数字对象标识代码：10.4103/2153-3539.186902 [14] 阿克巴，S。；Jordan，L。；汤普森，A.M。；McKenna，S.J.，使用旋转不变超像素金字塔在组织微阵列中定位肿瘤，IEEE第12届国际生物医学成像研讨会论文集，IEEE [15] 阿克巴，S。；Jordan，L.B。；Purdie，C.A。；汤普森，A.M。；McKenna，S.J.，比较计算机生成和病理生成的肿瘤分割对乳腺组织微阵列免疫组织化学评分的影响，英国癌症杂志，113，7，1075-1080（2015）·doi:10.1038/bjc.2015.309 [16] Cheng，J。；张杰。；Han，Y.，组织病理学图像和基因组数据的综合分析预测透明细胞肾癌预后，癌症研究，77，21，e91-e100（2017）·doi:10.1158/0008-5472.can-17-0313 [17] 朱，X。；姚，J。；朱，F。；Huang，J.，WSISA：从全玻片组织病理学图像进行生存预测，IEEE计算机视觉和模式识别会议论文集，IEEE [18] Litjens，G。；哥伦比亚特区桑切斯。；Timofeeva，N.，《深度学习作为提高组织病理学诊断准确性和效率的工具》，科学报告，6，1（2016）·doi:10.1038/srep26286 [19] LeCun，Y。；Y.本吉奥。；Hinton，G.，《深度学习》，《自然》，521，7553，436-444（2015）·doi:10.1038/nature14539 [20] 邓，Y。；任，Z。；孔，Y。；Bao，F。；Dai，Q.，用于数据分类的分层融合模糊深度神经网络，IEEE模糊系统汇刊，25，4，1006-1012（2017）·doi:10.1109/tfuzz.2016.2574915 [21] 邓，Y。；Bao，F。；孔，Y。；任，Z。；Dai，Q.，金融信号表示和交易的深度直接强化学习，IEEE神经网络和学习系统交易，28，3，653-664（2017）·doi:10.1109/tnnls.2016.2522401 [22] 佩卡里，M。；萨拉马，南卡罗来纳州。；Nofech-Mozes，S。；Martel，A.L.，乳腺外科手术后标本的自动细胞数评估，细胞测量学A部分，91，11，1078-1087（2017）·doi:10.1002/cyto.a.23244 [23] 阿克巴，S。；佩卡里，M。；萨拉马，南卡罗来纳州。；帕纳，A.Y。；Nofech-Momes，S。；Martel，A.L.，用于肿瘤负荷评估的数字载玻片中肿瘤细胞的自动和手动定量，bioRxiv，2019（2019）·doi:10.1101/571190 [24] Otsu，N.，灰度直方图阈值选择方法，IEEE系统、人与控制论汇刊，9，1，62-66（1979）·doi:10.1109/tsmc.1979.4310076 [25] 廖，P.-S。；Chen，T.-S。；Chung，P.-C.，多层阈值的快速算法，信息科学与工程杂志，17，5，713-727（2001） [26] 佩卡里，M。；Martel，A.L.，使用颜色空间去相关拉伸从H和E染色病理切片中自动检测和分割细胞，《2016年医学成像：数字病理学》（2016），华盛顿州贝灵汉，美国：美国华盛顿州贝灵汉国际光学与光子学学会 [27] 塞格迪，C。；Vanhoucke，V。；洛夫，S。；Shlens，J。；Wojna，Z.，《重新思考计算机视觉的初始架构》，IEEE计算机视觉和模式识别会议论文集，IEEE [28] Rakhlin，A。；施韦茨，A。；伊格洛维科夫，V。；Kalinin，A.A.，乳腺癌组织学图像分析的深层卷积神经网络，国际会议图像分析和识别论文集，Springer [29] Spanhol，F.A。；Oliveira，L.S。；卡瓦林，P.R。；佩蒂让，C。；Heutte，L.，乳腺癌组织病理学图像分类的深层特征，2017年IEEE系统、人与控制论国际会议论文集，IEEE [30] 韦斯，N。；Kost，H。；Homeyer，A.，《利用转移学习实现交互式乳腺肿瘤分类》，《国际会议图像分析和识别论文集》，Springer [31] 做，C.B。；Ng，A.Y.，文本分类的转移学习，神经信息处理系统进展论文集 [32] 雷纳·R。；Ng，A.Y。；Koller，D.，使用转移学习构建信息先验，第23届机器学习国际会议论文集，ACM [33] Chollet，F.，Xception:深度学习与深度可分离卷积，2017年IEEE计算机视觉与模式识别会议论文集，IEEE [34] SPIE-AAPM-NCI乳腺路径，癌症细胞挑战，https://breampathq.grand-challenge.org网站/ [35] Tajbakhsh，N。；Shin，J.Y。；Gurudu，S.R.，医学图像分析的卷积神经网络：全面训练还是微调？，IEEE医学成像学报，35，5，1299-1312（2016）·doi:10.1009年3月16日至2535302年3月 [36] Hoo-Chang，S。；Roth，H.R。；Gao，M.，用于计算机辅助检测的深度卷积神经网络：CNN架构、数据集特征和传输学习，IEEE医学成像学报，35，5，1285-1298（2016）·doi:10.1109/tmi.2016.2528162 [37] 彭，H。；长，F。；丁，C.，基于最大依赖、最大相关和最小冗余的互信息准则的特征选择，IEEE模式分析和机器智能学报，27，8，1226-1238（2005）·doi:10.1109/tpami.2005.159 [38] 罗伊，S。；kumar Jain，A。；拉尔（Lal，S.）。；Kini，J.，《组织病理学图像颜色标准化方法研究》，Micron，114，42-61（2018）·doi:10.1016/j.micron.2018.07.005 [39] Macenko，M.，定量分析用组织切片标准化方法，IEEE生物医学成像国际研讨会论文集：从纳米到宏观（ISBI'09），IEEE [40] Ruifrok，A.C。；Johnston，D.A.，通过颜色反卷积对组织化学染色进行量化，分析和定量细胞学和组织学，23，4，291-299（2001） [41] 邓，J。；Dong，W。；Socher，R。；李，L.-J。；李凯。；Fei-Fei，L.，ImageNet:大型分层图像数据库，IEEE计算机视觉和模式识别会议论文集（CVPR） [42] Simonyan，K。；Zisserman，A.，《用于大规模图像识别的超深卷积网络》，《学习表征国际会议论文集》 [43] He，K。；张，X。；任，S。；Sun，J.，图像识别的深度残差学习，IEEE计算机视觉和模式识别会议论文集 [44] Yosinski，J。；克伦，J。；Y.本吉奥。；Lipson，H.，深度神经网络中的特征如何传递？，神经信息处理系统进展 [45] Boureau，Y.L。；彭斯，J。；LeCun，Y.，《视觉识别中特征池的理论分析》，第27届机器学习国际会议论文集 [46] Xu，Y。；贾，Z。；Wang，L.-B.，通过深度卷积激活特征进行大规模组织病理学图像分类、分割和可视化，BMC生物信息学，18，1，281（2017）·数字对象标识码：10.1186/s12859-017-1685-x [47] Friedman，J.H.，《贪婪函数近似：梯度提升机器》，《统计年鉴》，29，5，1189-1232（2001）·兹比尔1043.62034 ·doi:10.1214/aos/1013203451 [48] 陈，T。；Guestrin，C.，XGBoost:一个可扩展的树提升系统，第22届ACM SIGKDD知识发现和数据挖掘国际会议论文集，ACM [49] Ke，G。；孟，Q。；Finley，T.，LightGBM：一种高效的梯度增强决策树，神经信息处理系统进展论文集 [50] Burges，C.，《使用梯度下降学习排名》，第22届机器学习国际会议论文集，ACM [51] Vapnik，V.N.，《统计学习理论的本质》（1995），德国柏林：施普林格，德国柏林·Zbl 0833.62008号 [52] Drucker，H。；伯格斯，C.J.C。；考夫曼，L。；Smola，A.J。；Vapnik，V.，《支持向量回归机，神经信息处理系统进展》，155-161（1997），马萨诸塞州剑桥市，美国：麻省理工学院出版社，马萨诸塞诸塞州坎布里奇市，美国 [53] Joachims，T.，使用点击数据优化搜索引擎，第八届ACM SIGKDD知识发现和数据挖掘国际会议论文集，ACM [54] Kendall，M.G.，《排名问题中的关系处理》，《生物特征》，第33、3、239-251页（1945年）·Zbl 0063.03216号 ·doi:10.1093/biomet/33.3.239 [55] Kendall，M.G.，等级相关性的一种新测量方法，《生物统计学》，30，1-2，81-93（1938）·Zbl 0019.13001号 ·doi:10.2307/2332226 [56] 史密斯，W.D。；杜顿，R.C。；Smith，N.T.，评估预测准确性的关联性度量，即非参数roc区域的概括，《医学统计学》，第15、11、1199-1215页（1996年）·doi:10.1002/（sici）1097-0258（19960615）15:11<1199:：aid-sim218>3.0.co；2年 [57] McGraw，K.O。；王世平，关于组内相关系数的推断，心理学方法，1，1，30-46（1996）·doi:10.1037//1082-989x.1.1.30 [58] Koo，T.K。；Li，M.Y.，可靠性研究中选择和报告组内相关系数的指南，《脊椎按摩医学杂志》，15，2，155-163（2016）·doi:10.1016/j.jcm.2016.02.012 [59] Chang，C.-C。；Lin，C.-J.，LIBSVM：支持向量机库，ACM智能系统与技术汇刊，2，3，27（2011）·doi:10.145/1961189.1961199 [60] Pedregosa，F.，Scikit-learn:Python中的机器学习，《机器学习研究杂志》，第12期，第2825-2830页（2011年）·Zbl 1280.68189号 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。