C2P-GCN: Cell-to-Patch Graph Convolutional Network for Colorectal Cancer Grading

本文介绍了基于图形学习方法的肠癌组织学图像分级。由于其能够编码组织/器官结构信息，因此越来越受到青睐。最近的基于图形的技术涉及将整个切片图像（WSIs）分成较小或中等大小的补丁，然后在每个补丁上构建图形以直接用于训练。然而，这种方法无法捕捉到整个WSI中存在的组织结构信息，并且依赖于来自大量图像补丁数据集的训练。因此，本文提出了一种新的基于细胞到补丁图卷积网络（C2P-GCN）的方法，这是一种两阶段基于图形构建的方法。在第一阶段，它基于WSI上每个补丁上的细胞组织形态形成补丁级别的图形。在第二阶段，它基于考虑每个补丁作为图形节点的WSI补丁之间的相似度测量形成图像级别的图形。然后将此图形表示输入到基于多层GCN的分类网络中。本方法通过其双相图形构建，有效地收集了来自单个补丁的局部结构细节，并在WSI中所有补丁之间建立了有意义的连接。由于C2P-GCN将整个WSI的结构数据集成到单个图形中，因此与用于结直肠癌的最新模型相比，它允许我们的模型使用更少的训练数据。在两个不同的结直肠癌数据集上的实验验证证明了C2P-GCN方法的有效性。

本文旨在解决对结直肠癌组织病理图像进行分级时，当前方法无法捕捉到整个WSI中存在的组织结构信息，且需要大量的图像数据集的问题。

本文提出了一种新的细胞到块图卷积网络（C2P-GCN）的方法，通过两阶段图形构建有效地收集WSI中的局部结构细节，并在整个WSI上建立有意义的连接。该方法将整个WSI的结构数据集成到单个图形中，相比最新的结直肠癌模型，该方法可以使用更少的训练数据。

本文使用两个不同的结直肠癌数据集对C2P-GCN进行了实验验证，并证明了其有效性。该方法的亮点包括能够在整个WSI上建立有意义的连接，使用较少的训练数据，以及在两个数据集上都取得了很好的结果。

最近的相关研究包括使用图形卷积网络对结直肠癌图像进行分级的其他方法，例如Patch-level Graph Convolutional Neural Network for Whole Slide Breast Cancer Histology Image Classification和Spatial Attention-based Graph Convolutional Networks for Breast Cancer Metastasis Detection in Lymph Nodes。