科研之友
微信
新浪微博
Facebook
分享链接
摘要
目的 Ki67分数是乳腺癌预后评估的重要指标，计算该分数的关键步骤是检测阴性与阳性癌细胞核。人工检测面临疲劳与主观差异的问题。卷积神经网络有望实现高质量、自动化的细胞核检测，然而需要病理专家为其标注细胞核。为了减轻标注的工作量，不少研究者提出以中心点标注训练卷积神经网络。然而这些方法采用过于复杂的卷积神经网络和后处理流程，未能充分提高易用性和效率、发挥卷积神经网络的质量。对此，提出CentroidNet模型，旨在提高中心点检测的质量、效率和易用性。方法 CentroidNet模型在图像上放置均匀排布的锚点，为每个锚点预测一个候选点，一部分候选点通过基于阈值的筛选策略成为预测点。本文提出最近锚点匹配策略用于生成训练标签，既保证了端到端推理，又规避了其他一对一标签匹配算法所具有的标签抖动问题。本文建议锚点间距应尽可能接近训练集答案点间最短距离的第一百分位数，并指出这样的锚点间距能够在前景标签数、坐标回归难度与效率之间取得良好的平衡。本文在设计卷积神经网络的结构时，没有采纳广为使用的U-Net或特征金字塔（feature pyramid network, FPN）中的多级上采样与旁路连接，反而提高了质量和效率。结果 本文在BCData数据集上评估CentroidNet模型的质量与效率。BCData是目前规模最大的、公开的乳腺癌Ki67癌细胞核中心点检测数据集。在质量方面，CentroidNet取得的综合F1分数为0.879 1，媲美当前的最高质量。在效率方面，CentroidNet的推理速度为12.96 ms/幅、显存占用为138.8 MB/幅，达到了当前最高的效率，远低于若干主流或最新的模型。结论CentroidNet具有高质量、高效率和高易用性；与现有同类模型相比，进一步提高了乳腺癌Ki67细胞核中心点检测的可行性。
- 单位
