Detecção de mitose, rápida e lenta: Detecção robusta e eficiente de figuras mitóticas

A contagem de figuras mitóticas é um passo fundamental na classificação e prognóstico de vários cânceres. No entanto, a contagem manual de mitoses é tediosa e consome muito tempo. Além disso, a variação na aparência das figuras mitóticas causa um alto grau de discordância entre patologistas. Com os avanços em modelos de aprendizado profundo, vários algoritmos automáticos de detecção de mitoses foram propostos, mas eles são sensíveis a mudanças de domínio frequentemente observadas em imagens de histologia. Propomos uma estrutura robusta e eficiente de detecção de mitose em duas etapas, que compreende a segmentação de candidatos a mitose (Detectando Rápido) e o refinamento de candidatos (Detectando Lento). O modelo de segmentação de candidatos proposto, denominado EUNet, é rápido e preciso devido ao seu design arquitetônico. O EUNet pode segmentar candidatos com precisão em uma resolução mais baixa para acelerar consideravelmente a detecção de candidatos. Os candidatos são então refinados usando uma rede de classificador mais profunda, EfficientNet-B7, na segunda etapa. Garantimos que ambas as etapas sejam robustas contra mudanças de domínio, incorporando métodos de generalização de domínio. Demonstraremos desempenho de ponta e generalizabilidade do modelo proposto nos três maiores conjuntos de dados de mitose disponíveis publicamente, vencendo os dois concursos de desafio de generalização de domínio de mitose (MIDOG21 e MIDOG22). Finalmente, apresentamos a utilidade do algoritmo proposto processando a coorte de câncer de mama do TCGA (1.124 imagens de lâmina inteira) para gerar e liberar um repositório de mais de 620 mil figuras mitóticas potenciais (não validadas exaustivamente).