Resumen

Las imágenes de microscopía del cáncer de mama adquieren información sobre la dolencia del paciente, y los resultados de la detección automatizada de células mitóticas se han utilizado generalmente para aliviar la enorme cantidad de trabajo del patólogo y ayudar a los patólogos a tomar decisiones clínicas rápidamente. Se introdujeron varios métodos anteriores para resolver los problemas del recuento automatizado de células mitóticas. Sin embargo, no diferenciaban entre células mitóticas y no mitóticas y presentaban un problema de desequilibrio, que afectaba al rendimiento. Este trabajo propone un Método de Aprendizaje Diferencial de Representación (RDLM) para la detección de mitosis a través del aprendizaje profundo para detectar el área precisa de células mitóticas en imágenes patológicas. Nuestro método propuesto se divide en dos partes: Red piramidal de características de banco global (GLB-FPN) y pérdida focal (FL). El método de fusión de características GLB con FPN esencialmente hace que el codificador-decodificador preste atención, para extraer aún más la región de interés (ROIs) para las células mitóticas. Sobre esta base, ampliamos el GLB-FPN con una pérdida focal para mitigar el problema del desequilibrio de datos durante la etapa de entrenamiento. Extensos experimentos han demostrado que RDLM supera significativamente en la vista de visualización y alcanza el mejor rendimiento en matrices cuantitativas que otros enfoques propuestos en el conjunto de datos del concurso MITOS-ATYPIA-14. Nuestro marco alcanza una puntuación F1 de 0,692. Además, RDLM mejora en un 5% la puntuación F1 de GLB con FPN en la tarea de detección de mitosis.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:FPN, GLB, RDLM, pérdida focal, método de fusión de características GLB, red piramidal de características de banco global, método de aprendizaje diferencial de representación, área exacta de células mitóticas, imágenes de microscopía de cáncer de mama, problemas de recuento de células mitóticas.
• Keywords:FPN, GLB, RDLM, focal loss, GLB feature fusion method, Global bank Feature Pyramid Network, Representation Differential Learning Method, accurate mitotic cell area, breast cancer microscopy images, mitotic cell count problems