OCELOT2023——基于细胞-组织关系的细胞检测挑战赛

今天将分享基于细胞-组织关系的细胞检测挑战赛完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。

一、OCELOT2023介绍

组织学图像中的细胞检测是计算病理学中最重要的任务之一。OCELOT数据集为从H&E 染色的多个器官获取的图像提供了重叠的细胞和组织注释。OCELOT表明，了解周围组织结构和单个细胞之间的关系可以提高细胞检测性能。依据OCELOT 数据集，举办了 OCELOT 2023：细胞-组织相互作用的细胞检测挑战赛，以促进如何利用细胞-组织关系更好地进行细胞检测的研究。与典型的细胞检测挑战不同，参与者可以利用组织块和注释来提高细胞检测性能。

二、OCELOT2023任务

基于细胞-组织关系的细胞检测任务。

三、OCELOT2023数据集

OCELOT 数据集是一个组织病理学数据集，旨在促进利用细胞和组织关系的方法的开发。该数据集由从数字扫描的整个幻灯片图像 (WSI) 中提取的小视场 (FoV) 块和大视场 (FoV) 块组成， 重叠区域。小和大 FoV 斑块分别附有细胞和组织的注释。WSI 源自公开的 TCGA 数据库，并在使用 Aperio 扫描仪扫描之前使用 H&E 方法进行染色。OCELOT数据集的每个样本由六个部分组成，其中x_s，x_l是从WSI中提取的小和大FoV斑块，y_s^c，y_l^t分别指相应的细胞和组织注释，c_x，c_y是x_s中心在x_l内的相对坐标。

下图显示了示例的可视化。

数据集的每个样本都包含两个输入块和相应的注释。左侧显示了带有组织分割注释 y_l^t 的大 FoV 块 x_l，其中绿色表示癌症区域。右侧显示带有细胞点注释 y_s^c 的小视场块 x_s，其中蓝色和黄色点分别表示肿瘤和背景细胞。红色框表示 x_s 相对于 x_l 的大小和位置。请注意，对于每个样本，x_s 和 x_l 是重叠的，即 x_s 存在于 x_l 内部。然而，x_s 在 x_l 上的相对位置因样本而异。

细胞检测任务受益于细粒度的空间信息，可以更好地捕获详细的细胞属性（例如边界、形状、颜色和不透明度）。相比之下，组织分割需要更大的背景才能更好地理解整体结构信息。因此，将x_s（细胞检测）和x_l（组织分割）的FoV大小分别定义为1024×1024和4096×4096像素，分辨率为0.2微米每像素（MPP）。最后，将大 FoV 块和组织注释 (x_l, y_l^t) 下采样4倍，得到1024x1024像素的大小。

数据集按照 6:2:2 的比例分为三个子集：训练、验证和测试。准确地说，训练、验证和测试分割分别由 400、137 和 130 个块对组成。为了防止数据子集之间的信息泄漏，随机分割每个WSI的数据集，以便来自同一 WSI 的不同块不会包含在不同的分割中。在每个子集中保持一致的癌症类型比率。

标签信息——细胞：背景细胞（BC，索引 1）和肿瘤细胞（TC，索引 2），组织：背景（BG，索引 1）、癌症区域（CA，索引 2）和未知（未标记，索引 255）

评价指标：使用平均 F1 (mF1) 分数作为主要指标，它是所有细胞类别 F1 分数的平均值。

四、技术路线

任务一、组织分割

1、对组织病理图像缩放到1024x1024大小并进行0-1范围归一化处理。将数据划分成训练集和验证集。

2、搭建VNet2d网络，使用AdamW优化器，学习率是0.001，batchsize是12，epoch是500，损失函数采用多分类的dice和交叉熵。

4、训练结果

5、验证集部分分割结果

左图是原始图像，中间是金标准结果，右图是预测结果。

任务二、细胞检测

1、由于细胞的标注只有中心点坐标和标签值，所以设置边界框长宽为20个像素，再对组织病理图像缩放到1024x1024大小并进行0-1范围归一化处理。将数据划分成训练集和验证集。

2、搭建YoloV5检测网络，使用SGD优化器，学习率是0.001，batchsize是16，epoch是500，损失函数采用交叉熵和iou损失。

3、训练结果和验证结果

4、验证集部分检测结果

第一个是金标准结果，第二个是网络检测结果。

测试集结果

组织分割结果

左图是原始图像，中间是金标准结果，右图是预测结果。

细胞检测结果

第一个是金标准结果，第二个是网络检测结果。