YNet

Y-Net: segmentação e classificação articular para diagnóstico de imagens de biópsia mamária

Este repositório contém o código fonte do nosso artigo, YNet, que foi aceito para publicação no MICCAI'18.

Exemplo de saída do Y-Net

O Y-Net identificou tecidos classificados corretamente que não eram importantes para o diagnóstico. Por exemplo, o estroma foi identificado como um tecido importante, mas o sangue não. O estroma é um importante marcador de tecido para o diagnóstico do câncer de mama [1] e a remoção de informações sobre o estroma diminuiu a precisão da classificação diagnóstica em cerca de 4%. Veja o artigo para mais detalhes.

[1] Beck, Andrew H., et al. "A análise sistemática da morfologia do câncer de mama revela características do estroma associadas à sobrevivência." Medicina translacional científica 3.108 (2011): 108ra113-108ra113.

Alguns resultados de segmentação (esquerda: RGB WSI, meio: verdade, direita: previsões da Y-Net)

Estrutura deste repositório

YNet é treinado em duas etapas:

• stage1 Este diretório contém o código-fonte para treinar o estágio 1 no Y-Net. O estágio 1 nada mais é do que um ramo de segmentação.
• stage2 Este diretório contém o código-fonte para treinar o estágio 2 no Y-Net. O estágio 2 é o aprendizado conjunto da segmentação e classificação.
• seg_eval Este diretório contém o código fonte para produzir as máscaras de segmentação.

Pré-requisito

Para executar este código, você precisa ter as seguintes bibliotecas:

• OpenCV – Testamos nosso código com a versão 3.3.0. Se você estiver usando outras versões, altere o código-fonte de acordo.
• PyTorch - testamos com v0.2.0_4. Se você estiver usando outras versões, altere o código-fonte de acordo.
• Python - testamos nosso código com Python 3.6.2 (Anaconda customizado de 64 bits). Se você estiver usando outras versões do Python, sinta-se à vontade para fazer as alterações necessárias no código.

Recomendamos usar Anaconda. Testamos nosso código no Ubuntu 16.04.

Citação

Se o Y-Net for útil para sua pesquisa, cite nosso artigo.

 @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}
}

Licença

Este código é lançado sob os mesmos termos de licença da ESPNet.