Segmentation of Non-Small Cell Lung Carcinomas: Introducing DRU-Net and Multi-Lens Distortion

要約

今日の病理学研究室の作業負荷の増加を考慮すると、人工知能モデルなどの自動ツールは病理医の作業を支援し、作業負荷を軽減することができます。
この論文では、ヒトの非小細胞肺癌の描写を提供できるセグメンテーション モデル (DRU-Net) と、分類結果を改善できる拡張方法を提案しています。
提案されたモデルは、切り詰められた事前トレーニング済み DenseNet201 と、パッチごとの分類器としての ResNet101V2 と、その後に改良モデルとしての軽量 U-Net を融合したものです。
私たちは、2 つのデータセット (ノルウェー肺がんバイオバンクとホーケランド大学病院の肺がんコホート) を使用して、提案したモデルを作成しました。
DRU-Net モデルは、平均 0.91 の Dice 類似性係数を達成します。
提案された空間拡張方法 (マルチレンズ歪み) により、ネットワーク パフォーマンスが 3% 向上しました。
私たちの調査結果は、特に関心領域を含む画像パッチを選択すると、他のサンプリング方法と比較してパッチごとの分類器の結果が向上することを示しています。
定性分析により、DRU-Net モデルが腫瘍の検出に概ね成功していることが示されました。
テストセットでは、一部の症例では、特に炎症性および反応性変化を伴う腫瘍において、周囲に偽陽性および偽陰性のセグメンテーション領域が示されました。

要約(オリジナル)

Considering the increased workload in pathology laboratories today, automated tools such as artificial intelligence models can help pathologists with their tasks and ease the workload. In this paper, we are proposing a segmentation model (DRU-Net) that can provide a delineation of human non-small cell lung carcinomas and an augmentation method that can improve classification results. The proposed model is a fused combination of truncated pre-trained DenseNet201 and ResNet101V2 as a patch-wise classifier followed by a lightweight U-Net as a refinement model. We have used two datasets (Norwegian Lung Cancer Biobank and Haukeland University Hospital lung cancer cohort) to create our proposed model. The DRU-Net model achieves an average of 0.91 Dice similarity coefficient. The proposed spatial augmentation method (multi-lens distortion) improved the network performance by 3%. Our findings show that choosing image patches that specifically include regions of interest leads to better results for the patch-wise classifier compared to other sampling methods. The qualitative analysis showed that the DRU-Net model is generally successful in detecting the tumor. On the test set, some of the cases showed areas of false positive and false negative segmentation in the periphery, particularly in tumors with inflammatory and reactive changes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google