文獻閱讀（92）

• 題目：Improving Nuclei/Gland Instance Segmentation in Histopathology Images by Full Resolution Neural Network and Spatial Constrained Loss
• 時間：2019
• 會議：MICCAI
• 研究機構：美國羅格斯大學

1 abstract & introduction

• 問題定義 ：細胞核分割

1. 提出了一個全分辨率卷積神經網絡來保持full resolution特徵圖，以提高定位精度
2. 提出了一種方差約束交叉熵損失，鼓勵網絡學習同一實例中像素之間的空間關係

2 方法

FullNet由密集連接的層組成，不包含任何彙集或向上採樣層。
所有特徵圖和輸出都具有與輸入圖像相同的全分辨率，因此儘可能保留信息(例如，邊緣)以提高分割性能。
對於每個卷積層，利用擴展卷積來增加感受野，類似於分類網絡中的彙集操作的效果。

3 實驗

• 數據集：Multi-Organ、MICCAI 2015 gland segmentation challenge dataset (GlaS)
• Multi-Organ有30 H&E stained histopathology image of size 1000 × 1000
• Glas有165張圖片，來自結腸直腸腺癌的16個組織切片

---

• 題目：Multi-Stage Pathological Image Classification using Semantic Segmentation
• 時間：2019
• 會議：ICCV
• 研究機構：東京大學

1 abstract & introduction

從分類模型中提取特徵，並將其輸入到分割模型中，得到一個完整的腫瘤概率heatmap。分類模型考慮了patch-scale的局部特徵，分割模型考慮了全局信息。
本篇論文的主要貢獻：

1. 提出了一個同時考慮高分辨率局部信息和整體尺度全局信息的病理分類模型。
2. 提出了一種通過保留兩個模型之間的特徵和梯度，並分別訓練分類模型，以較低的內存消耗訓練提出的模型的方法。
3. 實驗結果表明，與傳統的基於patch的方法相比，該模型具有更高的分類精度。

2 方法

• Feature Extractor: GoogLeNet
• Segmentation model: U-Net
  
  

Extracted feature vectors are arranged to obtain whole slide feature maps based on the position information where the patch is cut out. The feature map size is the number of cropped patches from the WSI

Because the original WSIs are excessively large to be inputted, we reduce the input tissue image to 1024 × 1024 pixels to reduce memory consumption, which is 1/8 of the original resolution

3 實驗

• 數據集：Camelyon16、 Camelyon17、Stomach biopsy dataset(胃活組織切片檢查)