Detection and Localization of Melanoma Skin Cancer in Histopathological Whole Slide Images

要約

メラノーマを早期に診断して治療することで、生存率を高めることができます。
予測される皮膚がん発生の増加と皮膚病理学者の不足により、計算病理学 (CPATH) システムの必要性が強調されています。
深層学習 (DL) モデルを備えた CPATH システムには、根底にある形態学的および細胞の特徴を利用することにより、黒色腫の存在を特定できる可能性があります。
この論文では、メラノーマを検出し、全スライド画像 (WSI) で正常な皮膚と良性/悪性のメラノサイト病変を区別する DL メソッドを提案します。
私たちの方法は、病変を高精度で検出し、WSI でそれらをローカライズして、病理学者の潜在的な関心領域を特定します。
興味深いことに、私たちの DL メソッドは、最初にローカリゼーション マップを作成するために単一の CNN ネットワークを使用し、それらを使用してスライド レベルの予測を実行し、黒色腫の患者を特定します。
私たちの最良のモデルは、0.992 F1 スコアと 0.99 の見えないデータの感度で、パッチごとの良好な分類結果を提供します。
ソース コードは https://github.com/RogerAmundsen/Melanoma-Diagnosis-and-Localization-from-Whole-Slide-Images-using-Convolutional-Neural-Networks です。

要約(オリジナル)

Melanoma diagnosed and treated in its early stages can increase the survival rate. A projected increase in skin cancer incidents and a dearth of dermatopathologists have emphasized the need for computational pathology (CPATH) systems. CPATH systems with deep learning (DL) models have the potential to identify the presence of melanoma by exploiting underlying morphological and cellular features. This paper proposes a DL method to detect melanoma and distinguish between normal skin and benign/malignant melanocytic lesions in Whole Slide Images (WSI). Our method detects lesions with high accuracy and localizes them on a WSI to identify potential regions of interest for pathologists. Interestingly, our DL method relies on using a single CNN network to create localization maps first and use them to perform slide-level predictions to determine patients who have melanoma. Our best model provides favorable patch-wise classification results with a 0.992 F1 score and 0.99 sensitivity on unseen data. The source code is https://github.com/RogerAmundsen/Melanoma-Diagnosis-and-Localization-from-Whole-Slide-Images-using-Convolutional-Neural-Networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google