• 题目：Improving Nuclei/Gland Instance Segmentation in Histopathology Images by Full Resolution Neural Network and Spatial Constrained Loss
• 时间：2019
• 会议：MICCAI
• 研究机构：美国罗格斯大学

1 abstract & introduction

• 问题定义 ：细胞核分割

1. 提出了一个全分辨率卷积神经网络来保持full resolution特征图，以提高定位精度
2. 提出了一种方差约束交叉熵损失，鼓励网络学习同一实例中像素之间的空间关系

2 方法

FullNet由密集连接的层组成，不包含任何汇集或向上采样层。
所有特征图和输出都具有与输入图像相同的全分辨率，因此尽可能保留信息(例如，边缘)以提高分割性能。
对于每个卷积层，利用扩展卷积来增加感受野，类似于分类网络中的汇集操作的效果。

3 实验

• 数据集：Multi-Organ、MICCAI 2015 gland segmentation challenge dataset (GlaS)
• Multi-Organ有30 H&E stained histopathology image of size 1000 × 1000
• Glas有165张图片，来自结肠直肠腺癌的16个组织切片

• 题目：Multi-Stage Pathological Image Classification using Semantic Segmentation
• 时间：2019
• 会议：ICCV
• 研究机构：东京大学

1 abstract & introduction

从分类模型中提取特征，并将其输入到分割模型中，得到一个完整的肿瘤概率heatmap。分类模型考虑了patch-scale的局部特征，分割模型考虑了全局信息。
本篇论文的主要贡献：

1. 提出了一个同时考虑高分辨率局部信息和整体尺度全局信息的病理分类模型。
2. 提出了一种通过保留两个模型之间的特征和梯度，并分别训练分类模型，以较低的内存消耗训练提出的模型的方法。
3. 实验结果表明，与传统的基于patch的方法相比，该模型具有更高的分类精度。

2 方法

• Feature Extractor: GoogLeNet
• Segmentation model: U-Net
  
  

Extracted feature vectors are arranged to obtain whole slide feature maps based on the position information where the patch is cut out. The feature map size is the number of cropped patches from the WSI

Because the original WSIs are excessively large to be inputted, we reduce the input tissue image to 1024 × 1024 pixels to reduce memory consumption, which is 1/8 of the original resolution

3 实验

• 数据集：Camelyon16、 Camelyon17、Stomach biopsy dataset(胃活组织切片检查)