谷歌乳腺癌Detecting Cancer Metastases on Gigapixel Pathology Images

Detecting Cancer Metastases on Gigapixel Pathology Images

在高分辨率的病理图片上检测癌症转移

Liu Y, Gadepalli K, Norouzi M, et al. Detecting cancer metastases on gigapixel pathology images[J]. arXiv preprint arXiv:1703.02442, 2017.

---

总结

使用Camelyon16的数据集，目标是检测病理切片中的乳腺癌区域，并对该病人做出诊断。模型是Inception-v3，裁剪图片的时候裁剪299，间隔128，数据集标注是pixel-level，patch的标注根据patch中心128x128中是否有癌症来确定。用等概率选取正常和癌症的采样来解决癌症和正常patch的数据不平衡；数据扩增来解决癌症patch少的问题。预测的时候滑窗，选取有组织的部分，间隔128，裁剪大小299，只预测中间128区域。模型融合，同一张patch旋转翻转总共8张取平均，独立的训练模型，大于3个收益少。最后合成一张热力图。

ImageNet预训练模型能够加快收敛速度，但是不能提高FROC。多尺度40X，20X结合还好，多了效果没有提升。颜色标准化其他的论文都有效，但是本文没有效果，可能是因为数据扩增学到了足够的颜色信息。

non-maxima suppression方法将热力图转化为掩膜，maximum Function来预测病人是否患有乳腺癌。

---

摘要

美国每年有超过23万病例需要根据癌症转移程度来指定治疗方案，依据的病理切片诊断耗时而且误差大。本文提出了一种框架来自动检测和定位高像素图片中的癌症。使用CNN在Camelyon2016数据集上，检测出了92.4%的癌症区域，而人只有73.2的敏感度（recall）。我们方法在图片级别的AUC是97%，在camelyon2016测试集和另外一个110张切片的数据集上。另外还找出了2个camelyon16数据集上的标注错误。本文方法可以显著减小假阴性。

1. 引言

乳腺癌治疗方案依赖于癌症阶段，根据前哨淋巴切片需要有经验的医师和时间，并且误差大。计算机帮助诊断。

CNN在计算机视觉领域很好，同样可以用在医疗方面。

本文提出了CNN框架来辅助检测淋巴节点的乳腺癌转移。主要用最近的Inception结构，仔细的图片patch采样和数据扩增。即使使用步长为128（原来是4，预测裁剪pach的步长？），使假阳性FP减半。同时也发现了几种方法没有好处：一是模仿病理学家诊断生物组织的多尺度方法；二是Imag