Comparative analysis of deep learning approaches for AgNOR-stained cytology samples interpretation

要約

子宮頸がんは公衆衛生上の問題であり、早期に発見されれば治療が成功する可能性が高くなります。
分析は、ヒューマン エラーの対象となる手動プロセスであるため、このペーパーでは、深層学習アプローチを使用して染色された好銀性核小体オーガナイザー領域 (AgNOR) スライドを分析する方法を提供します。
また、このホワイト ペーパーでは、インスタンスのモデルとセマンティック検出アプローチを比較します。
私たちの結果は、バックボーンとして ResNet-18 または ResNet-34 を使用した U-Net を使用したセマンティック セグメンテーションが同様の結果をもたらすことを示しており、最良のモデルは、核、クラスター、およびサテライトの IoU がそれぞれ 0.83、0.92、および 0.99 であることを示しています。
たとえば、セグメンテーションでは、ResNet-50 を使用したマスク R-CNN は、目視検査でより優れたパフォーマンスを発揮し、IoU メトリクスは 0.61 です。
インスタンスセグメンテーションモデルとセマンティックセグメンテーションモデルを組み合わせて使用​​ して、カスケードモデルを核を選択し、その後核とそのそれぞれの核小体オーガナイザー領域（NOR）をセグメント化できると結論付けています。

要約(オリジナル)

Cervical cancer is a public health problem, where the treatment has a better chance of success if detected early. The analysis is a manual process which is subject to a human error, so this paper provides a way to analyze argyrophilic nucleolar organizer regions (AgNOR) stained slide using deep learning approaches. Also, this paper compares models for instance and semantic detection approaches. Our results show that the semantic segmentation using U-Net with ResNet-18 or ResNet-34 as the backbone have similar results, and the best model shows an IoU for nucleus, cluster, and satellites of 0.83, 0.92, and 0.99 respectively. For instance segmentation, the Mask R-CNN using ResNet-50 performs better in the visual inspection and has a 0.61 of the IoU metric. We conclude that the instance segmentation and semantic segmentation models can be used in combination to make a cascade model able to select a nucleus and subsequently segment the nucleus and its respective nucleolar organizer regions (NORs).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google