Una soglia multilivello ottimale per la segmentazione di immagini a colori

La diagnosi accurata del cancro al seno nelle immagini istopatologiche è difficile a causa dell'eterogeneità della crescita delle cellule tumorali e di una varietà di lesioni proliferative benigne del tessuto mammario. In questo lavoro proponiamo una soluzione pratica e autointerpretabile per la diagnosi del cancro invasivo. Con informazioni di annotazione minime, il metodo proposto estrae modelli di contrasto tra immagini normali e maligne in modo non supervisionato e genera una mappa di probabilità delle anomalie per verificare il suo ragionamento. In particolare, un codificatore automatico completamente convoluzionale viene utilizzato per apprendere i modelli strutturali dominanti tra le normali patch di immagine. Le patch che non condividono le caratteristiche di questa popolazione normale vengono rilevate e analizzate da una macchina vettoriale di supporto di una classe e da una rete neurale a 1 strato. Applichiamo il metodo proposto a un set di immagini pubbliche del cancro al seno. I nostri risultati, in consultazione con un patologo esperto, dimostrano che il metodo proposto supera i metodi esistenti. La mappa di probabilità ottenuta potrebbe avvantaggiare la pratica patologica fornendo dati di verifica visualizzati e potenzialmente portare a una migliore comprensione delle soluzioni diagnostiche basate sui dati.