YNet

Y-Net : segmentation et classification des articulations pour le diagnostic des images de biopsie mammaire

Ce référentiel contient le code source de notre article, YNet, qui est accepté pour publication au MICCAI'18.

Exemple de sortie de Y-Net

Y-Net a identifié les tissus correctement classés qui n'étaient pas importants pour le diagnostic. Par exemple, le stroma a été identifié comme un tissu important, mais pas le sang. Le stroma est un marqueur tissulaire important pour le diagnostic du cancer du sein [1] et la suppression des informations sur le stroma a diminué la précision de la classification diagnostique d'environ 4 %. Voir l'article pour plus de détails.

[1] Beck, Andrew H. et al. "L'analyse systématique de la morphologie du cancer du sein révèle des caractéristiques stromales associées à la survie." Médecine translationnelle scientifique 3.108 (2011) : 108ra113-108ra113.

Quelques résultats de segmentation (Gauche : RGB WSI, Milieu : Vérité terrain, Droite : Prédictions par Y-Net)

Structure de ce référentiel

YNet est formé en deux étapes :

• stage1 Ce répertoire contient le code source pour entraîner l'étape 1 dans Y-Net. L'étape 1 n'est rien d'autre qu'une branche de segmentation.
• stage2 Ce répertoire contient le code source pour entraîner l'étape 2 dans Y-Net. L'étape 2 consiste à apprendre conjointement la segmentation et la classification.
• seg_eval Ce répertoire contient le code source permettant de réaliser les masques de segmentation.

Condition préalable

Pour exécuter ce code, vous devez disposer des bibliothèques suivantes :

• OpenCV - Nous avons testé notre code avec la version 3.3.0. Si vous utilisez d'autres versions, veuillez modifier le code source en conséquence.
• PyTorch - Nous avons testé avec la v0.2.0_4. Si vous utilisez d'autres versions, veuillez modifier le code source en conséquence.
• Python - Nous avons testé notre code avec Python 3.6.2 (Anaconda personnalisé 64 bits). Si vous utilisez d'autres versions de Python, n'hésitez pas à apporter les modifications nécessaires au code.

Nous recommandons d'utiliser Anaconda. Nous avons testé notre code sur Ubuntu 16.04.

Citation

Si Y-Net est utile pour votre recherche, veuillez citer notre article.

 @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}
}

Licence

Ce code est publié sous les mêmes termes de licence qu'ESPNet.