论文笔记 / Mitosis Detection in Breast Cancer Histology Images with Deep Neural Networks

仅供参考，如有翻译不到位的地方敬请指出。转载请标明出处！
论文地址：https://link.springer.com/chapter/10.1007/978-3-642-40763-5_51

摘要

我们使用含有最大池化层的深度卷积神经网络来检测乳腺组织学图像中的有丝分裂。训练网络以使用以像素为中心的patch作为上下文对图像中的每个像素进行分类。 然后将简单的后处理应用于网络的输出。我们的方法赢得了ICPR 2012有丝分裂检测竞赛，其表现优于其他参赛者。

1、介绍

组织切片中可见的有丝分裂轮廓的数量是癌症筛查和评估的重要指标。通常由组织学家手动的计数，但自动化过程可以减少其时间和成本（从而使其更接近），最小化错误，并提高在不同实验室中获得的结果的可比性。

有丝分裂的检测非常的困难。事实上，在一个细胞核经过各种转变的期间，有丝分裂是一个复杂的过程。此外，不同的图像区域以不同的组织类型为特征，其表现出高度可变的外观。 在用血红素和曙红染色的组织学图像中可以观察到大量不同的结构，特别是许多深蓝色斑点，其中大多数对应于细胞核。 只有它们的一部分处于有丝分裂阶段并且必须被检测到。 在大多数阶段，有丝分裂核看起来非常像非有丝分裂核，或者像其他深蓝色斑点一样，以至于让没有经过大量训练的人类观察者无法区分它们（图1）。 作为一种额外的复杂性，在有丝分裂过程的后期阶段，细胞核可能会分裂成两个深蓝色斑点，被视为一个单一的有丝分裂。

我们的方法概念上非常简单。 我们使用有监督的深度神经网络（DNN）作为强大的像素分类器。 DNN是最大池化层的（MP）卷积神经网络（CNN）。 它直接对从源图像的方形片中采样的原始RGB数据进行操作，以像素本身为中心。 DNN经过训练，可以将斑块与所有其他窗口中心附近的有丝分裂核区分开来。 通过在滑动窗口上应用分类器并使用简单技术对其输出进行后处理来检测看不见的图像中的有丝分裂。 由于DNN对原始像素值进行操作，因此不需要人工输入：相反，DNN会自动从训练数据中学习一组视觉特征。

我们的主要贡献是DNN的一个新的，重要的，实际的应用，DNN最近在图像分类，分割和检测方面取得了显着的成果。 我们的方法在公开可用的数据集上进行测试。 它显着优于所有竞争技术，具有可管理的计算工作：在标准笔记本电脑上处理400万像素图像只需几分钟。 本文的补充材料可在以下网站获得：http://bit.ly/18681Km.

相关工作 几十年来，不同种类的CNN被用于对物体进行分类。 1980年引入【6】并在接下来的二十年逐步改进，它们与MP结合并展现出深远和广阔的全部潜力。 他们擅于从手写字符到复杂杂乱图像（NORB），面部和自然彩色图像的数据集。 基于DNN的模式识别不限于对象分类，也可以用于检测。 最近，DNN被用于分割电子显微镜和自然场景中神经组织的图像。

生物医学图像中的许多检测问题通过像素分类器来解决，并且其特征在于待检测物体的相对明显的外观。 由于结块/接触可能难以分离和计数的物体，可能会出现困难。 有丝分裂检测是不同的。 虽然有丝分裂通常是罕见的并且分离良好，但它们很难区分