基于卷积神经网络的有丝分裂检测.pdfVIP

基于深度神经网络的乳腺癌病理图有丝分裂检测 Dan C. Cires¸an, Alessandro Giusti, Luca M. Gambardella, Jurgen¨ Schmidhuber IDSIA, Dalle Molle Institute for Artificial Intelligence, USI-SUPSI, Lugano, Switzerland dan,alessandrog,luca,juergen@idsia.ch 摘要. 我们使用深度max-pooling卷积神经网络来检测乳腺病理图中的有丝 分裂区域。 利用以像素点为中心的一个斑块，该网络被训练去分类图像中 的每一个像素点。然后在对该网络的输出进行简单的后处理。我们的方法 赢得了ICPR2012的有丝分裂检测竞赛，结果远好于其他参与者。 1 介绍 在癌症检查与评估中，组织切片中可以检测到的有丝分裂象的数目是一个 很重要的检测指标。通常，计数由组织学家进行手工操作，但是自动化该过程 可以减少时间与成本（使其更容易进行），减少错误，而且提高不同实验室结 果的可对比度。 有丝分裂检测是非常难的事情。事实上，由于一个细胞核要经历各种变 化，有丝分裂是一个复杂的过程。另外，不同的图像区域会因为不同的组织类 型具有不同的特征，从而表现高度变化的外观。在组织图像中，通过浸染 Hematosin Eosin液体，可以观察到大量的不同组织结构。尤其是那些大部分与 细胞核有关的的许多暗蓝色点。只有它们中的小部分是在一个有丝分裂象 中，必须要被检测的。在大部分阶段中一个有丝分裂核看起来非常像一个非有 丝分裂点，或者像其他的没有进行专业训练的人类观察者也不能区分的暗蓝色 点。（如图片1所示）。另外麻烦的是，在有丝分裂的后期一个核也许会分割成 两个暗蓝色点，但是也必须被计数为一个单独的有丝分裂。 我们的方法在概念上非常简单。我们使用一个监督深度神经网络作为强有 力的像素分类器。该DNN是一个max-pooling（MP）卷积神经网络（CNN)。通 过从源图像中采样一个以检测像素点为中心的方形斑块，该网络直接处理原始 RGB数据。DNN被训练区分靠近所有其他窗口中心的包含一个有丝分裂核的斑 块。通过对分类器使用一个滑动的窗口来检测未见过的图像中的有丝分裂区 域，然后通过简单的技术对其输出进行后处理。因为DNN处理原始像素值，不 需要进行人工介入。相反，DNN从训练数据中自动学习到一个图像特征集。 我们主要的成果是一种新的重要的DNN的实际应用，并且最近在图像分类、 分割、检测中都产生了显著的结果。我们的方法已经在一个公共可用的数据集 上测试过。它产生了极好的效果。 2 相关工作 几十年来不同种类的CNN被用来目标分类。首先在1980年被提出 [6] 在接下来的二十年时间里逐渐被改进 [11,1,17], 当结合MP与使其更深更广后， 展现出来了非常大的潜力。[3,4].它们在许多数据集上表现出色从手写字符[3]到 复杂集群图像(NORB) [4],人脸，自然颜色图像。 基于DNN的模式识别不仅仅是 只应用于目标识别，也可以被用于检测。近来，DNN被用于神经组织的图像分 割在电子微观[ 2] 和自然视野[5]. 许多在生物医学图像的检测难题通过像素分类器被解决，以被检测目标显著 相关的外观为特征。由于聚集/接触的目标难以被分离和计数，就会出现许多的 困难[13]。有丝分裂检测是不同的。虽然有丝分裂通常分布稀少并且易于分割， 但它们很难与非有丝分裂核进行区分。 2 方法 给定一个输入RGB图像I ，要解决的问题是去寻找一个检测集合D = {d , 1 d , . . . , d } ，每个表示一个单独有丝分裂的中心坐标。这个问题的解决方法是通 2 N 过在包含给定关于每个可视有丝分裂中心的真值信息的训练图像训练一个分类 器。每个像素被分成两个可能类中之一，有丝分裂或非有丝分裂，属于前者的 像素在（或靠近）有丝分裂中心，后者则是所有其他的像素。我们