SoftCTM: Cell detection by soft instance segmentation and consideration of cell-tissue interaction

要約

病理組織学における細胞の検出と分類 H&E 染色された全スライド画像は、腫瘍微小環境についての貴重な洞察を提供するため、計算病理学の中核となるタスクです。
この研究では、モデルのパフォーマンスに対するグラウンド トゥルース形式の影響を調査します。
さらに、細胞検出モデルへの入力として組織セグメンテーション予測を提供することにより、細胞と組織の相互作用が考慮されます。
「ソフトな」確率マップ インスタンス セグメンテーションのグランド トゥルースが最高のモデル パフォーマンスにつながることがわかりました。
細胞組織相互作用とテスト時間の拡張を組み合わせた当社の軟細胞組織モデル (SoftCTM) は、重複細胞組織 (OCELOT) テストセットで平均 F1 スコア 0.7172 を達成し、OCELOT 2023 チャレンジで 3 番目に優れた総合スコアを達成しました。
。
私たちのアプローチのソース コードは、https://github.com/lely475/ocelot23algo で公開されています。

要約(オリジナル)

Detecting and classifying cells in histopathology H\&E stained whole-slide images is a core task in computational pathology, as it provides valuable insight into the tumor microenvironment. In this work we investigate the impact of ground truth formats on the models performance. Additionally, cell-tissue interactions are considered by providing tissue segmentation predictions as input to the cell detection model. We find that a ‘soft’, probability-map instance segmentation ground truth leads to best model performance. Combined with cell-tissue interaction and test-time augmentation our Soft Cell-Tissue-Model (SoftCTM) achieves 0.7172 mean F1-Score on the Overlapped Cell On Tissue (OCELOT) test set, achieving the third best overall score in the OCELOT 2023 Challenge. The source code for our approach is made publicly available at https://github.com/lely475/ocelot23algo.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google