OMG-Net: A Deep Learning Framework Deploying Segment Anything to Detect Pan-Cancer Mitotic Figures from Haematoxylin and Eosin-Stained Slides

要約

有糸分裂活性は、いくつかの種類の癌をグレードするための重要な特徴です。
有糸分裂像 (MF) のカウントは、観察者間でばらつきが生じやすい、時間のかかる骨の折れる作業です。
MF が不正確に認識されると、不正確な採点が行われ、最適とはいえない治療が行われる可能性があります。
この研究では、デジタル化されたヘマトキシリンおよびエオシン染色された全スライド画像 (WSI) 内の MF を検出するための人工知能 (AI) 支援アプローチを提案します。
この分野の進歩は、MF のがんデータセットの数と種類が限られているために妨げられています。
今回我々は、軟部組織腫瘍（STMF）の社内データセットと、複数のヒトがんおよびイヌ標本を含む5つのオープンソース有糸分裂データセット（ICPR、TUPAC、CCMCT、CMC、およびMIDOG++）を組み合わせることにより、有糸分裂像の全がんデータセットとしては最大規模を確立する。
）。
この新しいデータセットは、74,620 個の MF と 105,538 個の有糸分裂様像を特定します。
次に、2 段階のフレームワーク (最適化ミトーシス ジェネレーター ネットワーク (OMG-Net) を使用して MF を分類しました。このフレームワークは、最初にセグメント エニシング モデル (SAM) を展開して、MF と周囲のオブジェクトの輪郭を自動化します。その後、適応された ResNet18 がトレーニングされます。
OMG-Net は、汎がん MF 検出 (乳がん、神経内分泌腫瘍、黒色腫) で F1 スコア 0.84 に達し、ホールドアウト テストで以前の最先端の MIDOG++ ベンチマーク モデルを大幅に上回りました。
これにより、異なるスキャナーで取得されたさまざまなタイプの腫瘍の MF を検出する際に優れた精度が得られます。

要約(オリジナル)

Mitotic activity is an important feature for grading several cancer types. Counting mitotic figures (MFs) is a time-consuming, laborious task prone to inter-observer variation. Inaccurate recognition of MFs can lead to incorrect grading and hence potential suboptimal treatment. In this study, we propose an artificial intelligence (AI)-aided approach to detect MFs in digitised haematoxylin and eosin-stained whole slide images (WSIs). Advances in this area are hampered by the limited number and types of cancer datasets of MFs. Here we establish the largest pan-cancer dataset of mitotic figures by combining an in-house dataset of soft tissue tumours (STMF) with five open-source mitotic datasets comprising multiple human cancers and canine specimens (ICPR, TUPAC, CCMCT, CMC and MIDOG++). This new dataset identifies 74,620 MFs and 105,538 mitotic-like figures. We then employed a two-stage framework (the Optimised Mitoses Generator Network (OMG-Net) to classify MFs. The framework first deploys the Segment Anything Model (SAM) to automate the contouring of MFs and surrounding objects. An adapted ResNet18 is subsequently trained to classify MFs. OMG-Net reaches an F1-score of 0.84 on pan-cancer MF detection (breast carcinoma, neuroendocrine tumour and melanoma), largely outperforming the previous state-of-the-art MIDOG++ benchmark model on its hold-out testing set (e.g. +16% F1-score on breast cancer detection, p<0.001) thereby providing superior accuracy in detecting MFs on various types of tumours obtained with different scanners.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google