Kernekoncepter
Die C2P-GCN-Methode integriert die Strukturinformationen eines gesamten histologischen Bildes in einen umfassenden Graphen und erzielt starke Leistungen mit deutlich weniger Trainingsdaten.
Resumé
Einleitung
Graphenbasierte Lernansätze werden für die Graduierung von Darmkrebs-Histologiebildern bevorzugt.
Neue Techniken wie CGC-Net und HAT-Net nutzen Zellgraphen, um die Gewebestrukturinformationen zu erfassen.
Methodik
C2P-GCN verwendet eine zweistufige Graphenkonstruktion: Patch-Level-Graph und Bild-Level-Graph.
Zellidentifikation erfolgt durch gLoG-Filter-basierte Kernlokalisierung.
Patch-Graphen enthalten 18 Merkmale zur Charakterisierung der Zellorganisation.
Globale Graphen (Voronoi, Delaunay, MST) werden auf Patch-Ebene erstellt.
Der Bild-Level-Graph verbindet Patches basierend auf Ähnlichkeitsmaßen.
Experimente
C2P-GCN übertrifft andere CNN- und GCN-basierte Methoden in der Darmkrebsgraduierung.
Auf zwei Datensätzen zeigt C2P-GCN starke Leistungen mit deutlich weniger Trainingsdaten.
Statistik
C2P-GCN verwendet über zwei Größenordnungen weniger Trainingsdaten als andere Methoden.
Citater
"C2P-GCN integriert die Strukturdaten eines gesamten WSI in einen einzigen Graphen."