MIDOG2021

数字病理学是一个快速发展的领域，近年来在科学上取得了长足的进步。特别是肿瘤的准确诊断和预后是一个特别令人感兴趣的话题，最近在MICCAI，ICPR和其他方面的挑战证明了这一点。在这种情况下，在组织学肿瘤图像中检测经历分裂的细胞 (有丝分裂图) 受到高度关注。已知有丝分裂数字的密度 (有丝分裂计数) 与肿瘤增殖有关，因此与预后高度相关。它是用于决定适当治疗的最相关参数之一。当前的金标准方法是由训练有素的病理学家进行视觉评估。

图1
有丝分裂图 (左) 清除底片 (冒名顶替者)。资料来源: Aubreville等人，Sci Data，2020
有丝分裂图形的形态与外观相似的冒名顶替者强烈重叠。因此，有丝分裂计数因具有较高的评分者间变异性而臭名昭著，这可能严重影响预后的准确性和可重复性。这需要计算机增强的方法来帮助病理学专家进行高度一致和准确的评估。

虽然以前的比赛集中在检测H & E染色的肿瘤组织的小部分中的有丝分裂数字 (例如，ICPR 2012和AMIDA挑战)，最近的研究通过针对显微镜全载玻片图像 (WSI) 上的肿瘤行为预测 (例如CAMELYON16/17挑战，PANDA挑战和MICCAI-TUPAC 16挑战)，更接近现实的诊断工作流程。最近的研究表明，给定足够量的高质量和高数量的肿瘤标本注释，当前基于深度学习的方法可以产生与训练有素的人类专家相当的有丝分裂图鉴定性能。但是，由于组织准备和图像采集，这种性能会随着图像的可变性而严重降低。

由两个不同的扫描仪数字化的相同显微镜样品显示出外观上的巨大差异，从而导致模式识别的域偏移。
由于组织处理和标本制备中的手动步骤的差异，即使对于同一高度标准化的实验室，这种所谓的域转移在某种程度上也是不可避免的; 然而，在不同的实验室之间尤其值得注意。域移位的最重要来源可能是整个幻灯片图像采集，这是由于不同类型的整个幻灯片扫描仪之间的颜色表示和其他图像参数高度可变。因此，天真地应用使用来自一个实验室的图像开发的机器学习算法可能会导致另一个实验室的性能低下。对于这一挑战，我们使用六种不同类型的扫描仪对不同实验室的300例疑似乳腺癌病例的显微镜载玻片进行了数字化处理。因此，此挑战的目标是制定策略，以导致机器学习解决方案，该解决方案对于该领域的转换是不变的，并且无论用于图像数字化的扫描仪如何，都可以很好地工作。

因此，此挑战的主题高度相关，以便将基于机器学习的算法推广到整个实验室的常规和广泛的诊断用途。在来自多种组织类型和临床环境的竞争性大规模数据集上比较域适应方法将是组织病理学领域的第一个挑战。我们还希望结果能够提供对显微镜图像的领域概括方法的见解。

搜集汇总

背景与挑战

背景概述

MIDOG2021是一个乳腺癌病例的数字病理学数据集，包含300例显微镜载玻片图像，使用六种扫描仪数字化，旨在研究跨扫描仪域不变性的机器学习解决方案。