Structure Embedded Nucleus Classification for Histopathology Images

要約

核分類は、組織病理学の画像解析に貴重な情報を提供します。
ただし、さまざまな核の種類の外観に大きな違いがあるため、核の識別が困難になります。
ほとんどのニューラル ネットワーク ベースの方法は、畳み込みの局所受容野の影響を受け、核の空間分布や核の不規則な輪郭形状にはあまり注意を払いません。
この論文では、最初に、核の輪郭を順番にサンプリングされた一連の点に変換する新しいポリゴン構造の特徴学習メカニズムを提案し、キーポイント間の距離の逐次変化を集約して学習可能な形状特徴を取得する再帰型ニューラル ネットワークを採用します。
.
次に、病理組織像を核をノードとするグラフ構造に変換し、核の空間分布を表現に埋め込むグラフニューラルネットワークを構築します。
核のカテゴリとその周囲の組織パターンとの間の相関関係を捉えるために、隣接する核間の背景テクスチャとして定義されるエッジ機能をさらに導入します。
最後に、ポリゴン構造とグラフ構造の両方の学習メカニズムを、核分類のために核内および核間の構造特性を抽出できるフレームワーク全体に統合します。
実験結果は、提案されたフレームワークが最先端の方法と比較して大幅な改善を達成することを示しています。

要約(オリジナル)

Nuclei classification provides valuable information for histopathology image analysis. However, the large variations in the appearance of different nuclei types cause difficulties in identifying nuclei. Most neural network based methods are affected by the local receptive field of convolutions, and pay less attention to the spatial distribution of nuclei or the irregular contour shape of a nucleus. In this paper, we first propose a novel polygon-structure feature learning mechanism that transforms a nucleus contour into a sequence of points sampled in order, and employ a recurrent neural network that aggregates the sequential change in distance between key points to obtain learnable shape features. Next, we convert a histopathology image into a graph structure with nuclei as nodes, and build a graph neural network to embed the spatial distribution of nuclei into their representations. To capture the correlations between the categories of nuclei and their surrounding tissue patterns, we further introduce edge features that are defined as the background textures between adjacent nuclei. Lastly, we integrate both polygon and graph structure learning mechanisms into a whole framework that can extract intra and inter-nucleus structural characteristics for nuclei classification. Experimental results show that the proposed framework achieves significant improvements compared to the state-of-the-art methods.

arxiv情報

著者 Wei Lou,Xiang Wan,Guanbin Li,Xiaoying Lou,Chenghang Li,Feng Gao,Haofeng Li
発行日 2023-02-22 14:52:06+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV パーマリンク