YNet

Y-Net: segmentación y clasificación de articulaciones para el diagnóstico de imágenes de biopsia de mama

Este repositorio contiene el código fuente de nuestro artículo, YNet, que se acepta para publicación en MICCAI'18.

Salida de muestra de Y-Net

Y-Net identificó tejidos correctamente clasificados que no eran importantes para el diagnóstico. Por ejemplo, el estroma se identificó como un tejido importante, pero la sangre no. El estroma es una etiqueta de tejido importante para diagnosticar el cáncer de mama [1] y la eliminación de información sobre el estroma disminuyó la precisión de la clasificación diagnóstica en aproximadamente un 4%. Consulte el documento para obtener más detalles.

[1] Beck, Andrew H., et al. "El análisis sistemático de la morfología del cáncer de mama descubre características estromales asociadas con la supervivencia". Medicina traslacional científica 3.108 (2011): 108ra113-108ra113.

Algunos resultados de segmentación (Izquierda: RGB WSI, Medio: Verdad fundamental, Derecha: Predicciones de Y-Net)

Estructura de este repositorio

YNet se entrena en dos etapas:

• stage1 Este directorio contiene el código fuente para entrenar la etapa 1 en Y-Net. La etapa 1 no es más que una rama de segmentación.
• stage2 Este directorio contiene el código fuente para entrenar la etapa 2 en Y-Net. La etapa 2 es aprender conjuntamente la segmentación y clasificación.
• seg_eval Este directorio contiene el código fuente para producir las máscaras de segmentación.

Requisito previo

Para ejecutar este código, necesita tener las siguientes bibliotecas:

• OpenCV: probamos nuestro código con la versión 3.3.0. Si está utilizando otras versiones, cambie el código fuente en consecuencia.
• PyTorch: probamos con v0.2.0_4. Si está utilizando otras versiones, cambie el código fuente en consecuencia.
• Python: probamos nuestro código con Python 3.6.2 (Anaconda personalizado de 64 bits). Si está utilizando otras versiones de Python, no dude en realizar los cambios necesarios en el código.

Recomendamos utilizar Anaconda. Hemos probado nuestro código en Ubuntu 16.04.

Citación

Si Y-Net es útil para su investigación, cite nuestro artículo.

 @inproceedings{mehta2018ynet,
  title={{Y-Net: Joint Segmentation and Classification for Diagnosis of Breast Biopsy Images}},
  author={Sachin Mehta and Ezgi Mercan and Jamen Bartlett and Donald Weaver and Joann  Elmore and Linda Shapiro},
  booktitle={International Conference on Medical image computing and computer-assisted intervention},
  year={2018},
  organization={Springer}
}

@article{mehta2018espnet,
  title={ESPNet: Efficient Spatial Pyramid of Dilated Convolutions for Semantic Segmentation},
  author={Sachin Mehta, Mohammad Rastegari, Anat Caspi, Linda Shapiro, and Hannaneh Hajishirzi},
  journal={European Conference in Computer Vision (ECCV)},
  year={2018}
}

Licencia

Este código se publica bajo los mismos términos de licencia que ESPNet.