Optimale mehrstufige Schwellenwertbildung für die Segmentierung von Farbbildern

Eine genaue Diagnose von Brustkrebs in histopathologischen Bildern ist aufgrund der Heterogenität des Krebszellwachstums sowie einer Vielzahl gutartiger proliferativer Läsionen des Brustgewebes eine Herausforderung. In dieser Arbeit schlagen wir eine praktische und selbstinterpretierbare Lösung für die invasive Krebsdiagnose vor. Mit minimalen Anmerkungsinformationen ermittelt die vorgeschlagene Methode unbeaufsichtigt Kontrastmuster zwischen normalen und bösartigen Bildern und generiert eine Wahrscheinlichkeitskarte von Anomalien, um ihre Argumentation zu überprüfen. Insbesondere wird ein vollständig faltender Autoencoder verwendet, um die vorherrschenden Strukturmuster unter normalen Bildfeldern zu lernen. Patches, die nicht die Merkmale dieser normalen Population aufweisen, werden von einer Ein-Klassen-Support-Vektor-Maschine und einem einschichtigen neuronalen Netzwerk erkannt und analysiert. Wir wenden die vorgeschlagene Methode auf einen öffentlichen Brustkrebs-Bildersatz an. Unsere Ergebnisse in Absprache mit einem leitenden Pathologen zeigen, dass die vorgeschlagene Methode bestehende Methoden übertrifft. Die erhaltene Wahrscheinlichkeitskarte könnte der Pathologiepraxis durch die Bereitstellung visualisierter Verifizierungsdaten zugute kommen und möglicherweise zu einem besseren Verständnis datengesteuerter Diagnoselösungen führen.