研究目的
开发一种自动、与领域无关的深度多尺度融合全卷积神经网络(MFF-CNN),用于苏木精-伊红(H&E)染色图像中的有丝分裂检测,以评估乳腺癌肿瘤的侵袭性。
研究成果
与其它最先进技术相比,所提出的MFF-CNN模型在检测精度方面表现更优,同时保持了可接受的检测速度。未来工作包括开发适用于多数据集的自适应模型,以及在有丝分裂检测任务中应用无监督学习方法。
研究不足
该研究面临尺度不变性、数据不足、图像染色不当以及样本类别不平衡等挑战,这些因素可能限制自动组织病理学图像分析在临床实践中的应用。
1:实验设计与方法选择:
本研究采用多尺度融合全卷积神经网络(MFF-CNN)融合多层级、多尺度特征以实现精确的有丝分裂计数。训练过程中使用多步微调策略以减少过拟合。
2:样本选择与数据来源:
使用包含1200张训练图像和496张测试图像的MITOS-ATYPIA-14挑战赛数据集。每张图像尺寸为1539×1376像素,采集自40倍放大倍数。
3:实验设备与材料清单:
使用Apero-XT扫描仪获取图像,NVIDIA Tesla M40 GPU进行计算。
4:实验流程与操作步骤:
通过染色归一化预处理图像并转换为蓝比率图像。MFF-CNN模型基于从这些图像中提取的小块区域进行训练。
5:数据分析方法:
基于精确率、召回率和F值评估性能,将与真实有丝分裂核距离小于30像素的检测结果视为真阳性。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容