AlexNet CNN怎么能适用于我的案子？

Question

我正在做去年的项目，我得到了数字化的WSI (整体幻灯片图像)，尽管它们相当小，大约1390x1040大小(这是不寻常的)。这些图像是多形性胶质母细胞瘤(脑癌)的病例，它被Ki-64指数染色，导致我认为恶性部分被标记为棕色。下面是我所看到的一个小例子。

简单地说，我的目标是计数蓝色和棕色细胞(估计增殖指数)，这是基于我研究的一个分割问题。我还得出结论，AlexNet是一个成功的体系结构。然而，我遇到的问题是，这些数据是没有标签的，作为一个Comp的学生，我认为我没有足够的专业知识来注释地面的真值。我的问题归结为，我是否应该探索其他方法，还是干脆放弃这个数据集？

Answer 1

您可以使用3种模式的GMM将图像聚为3个“分区”。第一个应该包含所有蓝色像素，第二个是棕色所有像素，最后一个应该包含背景像素。您将根据原始的RGB值进行聚类(除非您能够为每个像素计算出更多基于语义深度学习的特性)。然后，您将对分配给3种模式中的每一种模式的像素进行某种形式的颜色采样，以确定哪个是棕色斑点，哪些是蓝色斑点。您可以通过计算GMM小块中的二进制图像来轻松计数。

Answer 2

AlexNet (以及VGG、RestNET和其他RNN)是有监督的学习方法，因此您需要一个标记数据集才能继续进行。

在您的情况下，您似乎没有标签，所以我不认为您可以使用这些方法。你可能想研究一下没有监督的学习技术。

当然，另一种选择是查找给您任务的标签数据集，我建议。

Answer 3

有几件事你也许可以试试。

• 首先，使用像这一个这样的标签工具手动标记数据集，在这些工具中，您可以在所有标记周围绘制方框，并为它们分配标签。然后你可以训练一个YOLO风格的检测器来进行目标检测。这种方法一开始可能是劳动密集的，但后来完全自动化了.
• 另一件事是用面具创建一个简单的检测器，在RGB图像的R(ed)通道上设置一个阈值，以分割图像并找到红色/棕色标记。然后，您可以训练一个回归模型(Alexnet/VGG等)例如，以图像中的红色/棕色标记像素的总数作为目标(蓝色像素相同)。在领域知识的基础上，您也许可以通过这种方式创建类，例如，如果红色像素> 500，则创建恶性图像。