選自Baidu Research
機器之心編譯
參與：李澤南、李亞洲
NCRF 項目已開源：https://github.com/baidu-research/NCRF
目前在醫療領域有很多癌症診斷方法，其中病理學活體檢測被認為是最為可信的標準。然而，對病理學切片進行分析並不是一件容易的事，即使對於經驗豐富的病理學家而言也是有挑戰的事情。一個放大 40 倍的病理切片數字圖像通常包含數十億像素，而在這樣大規模的內容裡，病理學家有時需要找尋微轉移、腫瘤細胞細小群體等早期癌症徵兆。這些任務讓審查病理切片，而不遺漏任何臨床證據成為了一項非常複雜耗時的工作。
隨著人工智能的發展，人們已經提出了各種基於深度學習的算法來幫助病理學家有效審查這些切片，並檢測癌症轉移。由於切片的原始數字圖像非常大，大多數算法目前會將圖片切割成大量小圖片 (patch) 進行處理，如 256×256 像素尺寸的圖片——然後訓練並使用深度卷積神經網絡來對腫瘤細胞和正常細胞進行分類。然而，這種方法有時難以在不知曉周圍內容的情況下預測小圖片中是否存在腫瘤，特別是在腫瘤/正常區域的邊界上，經常會出現假陽性。
圖 2 展示了這類方法的困難：
圖 3 展示了該算法的架構：
這種全新的癌症檢測算法有潛力改進病理切片鏡檢的效率與準確率。這能使得病理學家更加關注算法重點強調的癌症區域，而不是檢查整個切片。不過，要綜合評估該算法，還需要在更大數據集上做進一步的臨床研究。
更多信息可查看以下論文：
注：在數字病理切片中，在 40 倍的放大下一個像素大概長 0.243 微米。微轉移一般定義為一組癌細胞最大直徑超過 200 微米，也就是大概 823 像素。
論文：Cancer Metastasis Detection With Neural Conditional Random Field
論文鏈接：https://openreview.net/forum?id=S1aY66iiM
摘要：乳腺癌診斷通常要求通過全切片數字化圖像（WSI）對淋巴結癌細胞轉移進行準確檢測。近期深度卷積神經網絡的發展使得醫療影像分析取得了極大成功，尤其是在計算病理組織學方面。由於 WSI 非常大，大部分方法都將整張圖像切分成很多小的圖像塊，再對每個圖像塊分別進行分類。但是，相鄰圖像塊通常具備空間關聯，忽視此類關聯可能會導致預測結果不一致。本論文提出一種神經條件隨機場（neural conditional random field，NCRF）深度學習框架，來檢測 WSI 中的癌細胞轉移。NCRF 通過一個直接位於 CNN 特徵提取器上方的全連接 CRF，來考慮相鄰圖像塊之間的空間關聯。整個深度網絡可以使用標準反向傳播算法，以最小算力進行端到端的訓練。CNN 特徵提取器也可以從利用 CRF 考慮空間關聯中受益。與不考慮空間關聯的基線方法相比，NCRF 框架可獲取更高視覺質量的圖像塊預測概率圖。我們還展示了在 Camelyon16 數據集上該方法在癌細胞轉移檢測方面優於基線方法，在測試集上取得了 0.8096 的平均 FROC 分數。
閱讀更多 機器之心 的文章
