HoVer-Net: 다중 조직 합성 영상에서 핵의 동시 분할 및 분류

헤마토크실린 & 염산 염색 조직학 이미지 내의 핵 분할 및 분류는 디지털 병리학 워크플로에서 필수적인 전제 조건입니다. 핵 분할 및 분류를 위한 자동화된 방법의 개발은 전체 슬라이드 병리학 이미지 내 수만 개의 핵을 정량적으로 분석하는 것을 가능하게 하며, 대규모 핵 형태 측정에 대한 추가 분석의 가능성도 열어줍니다. 그러나 자동화된 핵 분할 및 분류는 여러 가지 다른 유형의 핵이 존재하고, 특히 종양 세포와 같이 클래스 내에서 큰 변이성을 보이는 핵들이 있다는 주요 과제에 직면해 있습니다. 또한 일부 핵들은 종종 군집화되어 있습니다. 이러한 과제를 해결하기 위해, 우리는 핵 픽셀과 질량 중심 사이의 수직 및 수평 거리에 인코딩된 인스턴스 풍부한 정보를 활용하여 동시에 핵을 분할하고 분류하는 새로운 컨벌루션 신경망을 제시합니다. 이러한 거리는 군집화된 핵들을 구분하는 데 사용되어, 특히 중복 인스턴스가 있는 영역에서 정확한 분할 결과를 제공합니다. 그런 다음 각각 분할된 인스턴스에 대해 네트워크는 전용 업샘플링 브랜치를 통해 핵의 유형을 예측합니다. 우리는 다수의 독립적인 다중 조직학 이미지 데이터셋에서 다른 방법들과 비교하여 최고 수준의 성능을 보여주며, 이 작업의 일환으로 헤마토크실린 & 염산 염색 결장 직장 암 이미지 타일的新数据集(新数据集是指“새로운 데이터셋”)을 소개합니다. 이 데이터셋은 24,319개의 완전 주석이 달린 핵과 관련 클래스 레이블을 포함하고 있습니다.注：在最后一句中，“新数据集”这个术语不是常见的科技/学术术语，因此我在韩语译文后加上了括号标注原文。