Segmenting Skin Biopsy Images with Coarse and Sparse Annotations using U-Net.
Segmenting Skin Biopsy Images with Coarse and Sparse Annotations using U-Net.
复制标题
DOI：
10.1007/s10278-022-00641-8
复制
发表时间：
2022-10
影响因子：
4.4
通讯作者：
Shapiro, Linda G.
中科院分区：
文献类型：
--
作者：
Nofallah, Shima;Mokhtari, Mojgan;Wu, Wenjun;Mehta, Sachin;Knezevich, Stevan;May, Caitlin J.;Chang, Oliver H.;Lee, Annie C.;Elmore, Joann G.;Shapiro, Linda G.
关键词：
在过去的三十年里，黑色素瘤的诊断数量急剧增加，几乎超过了所有其他癌症。近四分之一的皮肤活检是黑色素细胞病变，突出了正确诊断的临床和公共卫生重要性。深度学习图像分析方法可以改善和补充当前的诊断和预后能力。黑素细胞病变（包括黑色素瘤及其前体）的组织学评价涉及确定黑素细胞群是否累及表皮、真皮或两者。皮肤活检中临床重要结构的语义分割是实现准确诊断的关键一步。虽然训练分割模型需要地面实况标签，但大型图像的注释是一项劳动密集型任务。这个问题在医学图像数据集中变得特别明显，其中专家注释是黄金标准。在本文中，我们提出了一个两阶段的分割流水线使用粗和稀疏注释的一个小区域的整个幻灯片图像作为训练集。整个幻灯片图像的分割结果表明，所提出的管道有前途的性能。
The number of melanoma diagnoses has increased dramatically over the past three decades, outpacing almost all other cancers. Nearly 1 in 4 skin biopsies is of melanocytic lesions, highlighting the clinical and public health importance of correct diagnosis. Deep learning image analysis methods may improve and complement current diagnostic and prognostic capabilities. The histologic evaluation of melanocytic lesions, including melanoma and its precursors, involves determining whether the melanocytic population involves the epidermis, dermis, or both. Semantic segmentation of clinically important structures in skin biopsies is a crucial step towards an accurate diagnosis. While training a segmentation model requires ground-truth labels, annotation of large images is a labor-intensive task. This issue becomes especially pronounced in a medical image dataset in which expert annotation is the gold standard. In this paper, we propose a two-stage segmentation pipeline using coarse and sparse annotations on a small region of the whole slide image as the training set. Segmentation results on whole slide images show promising performance for the proposed pipeline.
登录
查看更多内容
影响因子：
6.2
作者：
Kosary, Carol L.;Altekruse, Sean F.;Dickie, Lois
通讯作者：
Dickie, Lois
影响因子：
13.8
作者：
Piepkorn, Michael W.;Barnhill, Raymond L.;Elmore, Joann G.
通讯作者：
Elmore, Joann G.
影响因子：
3.1
作者：
Buslaev, Alexander;Iglovikov, Vladimir I.;Kalinin, Alexandr A.
通讯作者：
Kalinin, Alexandr A.
DOI：
10.1016/j.compmedimag.2019.01.006
发表时间：
2019-04-01
影响因子：
5.7
作者：
Alheejawi, Salah;Xu, Hongming;Mandal, Mrinal
通讯作者：
Mandal, Mrinal
影响因子：
2.4
作者：
Xu, Hongming;Mandal, Mrinal
通讯作者：
Mandal, Mrinal