1. 创新与工作主要内容
创新点总结
本文提出了一种名为DEGPR(Deep Guided Posterior Regularization)的新方法,用于多类别细胞检测和计数,这在病理诊断中是一项关键任务。DEGPR通过引入显式和隐式特征,指导目标检测器利用细胞间的区分性特征,从而提高检测性能。显式特征由病理学家提供,隐式特征则通过监督对比损失从视觉数据中学习得到。该方法在两个公开数据集(CoNSeP和MoNuSAC)以及一个新贡献的数据集MuCeD上进行了验证。MuCeD包含55张人体十二指肠活检图像,用于预测乳糜泻。实验结果表明,DEGPR能够一致性地提高基线模型的性能,获得最高9%(绝对)mAP增益。
摘要部分翻译
摘要 —— 多类别细胞检测和计数对于许多病理诊断至关重要。手动计数不仅繁琐,还常常导致病理学家之间的差异。尽管存在多种通用的基于深度学习的对象检测和计数方法,但它们可能不易于转移到医学图像中的细胞检测和计数,这是由于数据有限、存在小的重叠对象、多种细胞类型、严重的类别不平衡、细胞大小/形状的微小差异等原因。为了应对这一挑战,我们提出了一种引导后验正则化(DEGPR),它通过引导目标检测器利用细胞间的区分性特征来提供帮助。这些特征可以由病理学家提供或直接从视觉数据中推断出来。我们在两个公开可用的数据集(CoNSeP和MoNuSAC)以及我们贡献的MuCeD上验证了我们的模型。MuCeD由55张人类十二指肠活检图像组成,用于预测乳糜泻。我们在三个数据集上与三个目标检测基线进行了广泛的实验,以表明DEGPR是模型不可知的,并一致性地提高了基线性能,获得了高达9%(绝对)的mAP增益。
2. 实验数据
实验数据集
- CoNSeP:一个核分割和分类数据集,包含41个全切片图像(WSI),总共有24,319个注释细胞。
- MoNuSAC:一个多器官核分割和分类挑战数据集,包含超过46,000个核的边界注释和类标签。
- MuCeD:一个新贡献的数据集,包含55张人类十二指肠活检图像,总共有8600个细胞注释。
评价指标
- 使用了精度、召回率和平均精度(mAP)作为细胞检测的指标。
- 对于细胞计数,使用了平均绝对误差(MAE)和平均相对误差(MRE)作为评价指标。
效果的提升
- 在MuCeD数据集上,DEGPR在检测上获得了3-9%的mAP增益,并在计数两种细胞类型时将平均绝对误差降低了10-35%。
3. 信息补充
- 代码:https://github.com/dair-iitd/DeGPR
- 数据集:MuCeD数据集将公开,以促进该领域的进一步研究。
- 文章链接:arXiv上的论文可以通过https://arxiv.org/abs/2304.00741
本文通过提出DEGPR方法,为医学图像中的多类别细胞检测和计数问题提供了一种有效的解决方案,并通过在多个数据集上的实验验证了其有效性。通过公开代码和数据集,作者为该领域的研究者提供了进一步研究和应用的便利。
相关图片: