Multi-Class Cell Detection Using Spatial Context Representation

要約

デジタルパソロジーでは、細胞の検出と分類の両方が自動診断および予後診断タスクにとって重要です。
細胞を腫瘍細胞、リンパ球、間質細胞などのサブタイプに分類することは特に困難です。
既存の方法は、個々の細胞の形態学的外観に焦点を当てていますが、実際には、病理学者は、空間的なコンテキストを通じて細胞クラスを推測することがよくあります。
本論文では、空間的文脈情報を明示的に組み込んだ検出と分類の両方のための新しい方法を提案する。
空間統計関数を使用して、マルチクラスとマルチスケールの両方の方法で局所密度を記述します。
表現学習とディープクラスタリング手法を通じて、外観と空間コンテキストの両方を備えた高度なセル表現を学習します。
さまざまなベンチマークで、特に分類タスクにおいて、私たちの方法は最先端のものよりも優れたパフォーマンスを達成します。
また、乳がんのマルチクラス細胞の検出と分類のための新しいデータセットを作成し、コードとデータの両方を公開しています。

要約(オリジナル)

In digital pathology, both detection and classification of cells are important for automatic diagnostic and prognostic tasks. Classifying cells into subtypes, such as tumor cells, lymphocytes or stromal cells is particularly challenging. Existing methods focus on morphological appearance of individual cells, whereas in practice pathologists often infer cell classes through their spatial context. In this paper, we propose a novel method for both detection and classification that explicitly incorporates spatial contextual information. We use the spatial statistical function to describe local density in both a multi-class and a multi-scale manner. Through representation learning and deep clustering techniques, we learn advanced cell representation with both appearance and spatial context. On various benchmarks, our method achieves better performance than state-of-the-arts, especially on the classification task. We also create a new dataset for multi-class cell detection and classification in breast cancer and we make both our code and data publicly available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google