基于多尺度语义与位置深度特征的高效宫颈全切片图像分析框架
计算机视觉与模式识别
2022-06-06 v3 人工智能
摘要
数字十亿像素全切片图像（WSI）广泛用于临床诊断，自动化 WSI 分析是计算机辅助诊断的关键。当前，分析由 ResNet 分类器编码的海量局部块的概率或特征图集成描述符是 WSI 级预测的主要方式。然而，宫颈切片中稀疏微小病变细胞的特征表示仍具挑战，而未使用的位置表示可补充语义分类。本研究设计了一种新颖高效框架，其新模块 InCNet 构建了轻量模型 YOLCO（You Only Look Cytology Once）。它直接提取单细胞（簇）内部特征，而非传统从固定尺寸图像块提取的方式。InCNet（Inline Connection Network）在不损失效率下丰富了多尺度连接性。该方案允许输入尺寸扩大至百万像素，可将 WSI 拼接所需的平均重复次数从 降至 ，以在两尺度收集特征与预测。基于 Transformer 对集成的多尺度多任务 WSI 特征分类，实验结果在来自四台扫描仪的数据集（=2,019）上取得 的 AUC 分数，优于最佳传统模型。代码见 https://github.com/Chrisa142857/You-Only-Look-Cytopathology-Once ，其部署版本速度为 70 s/WSI。
引用
@article{arxiv.2106.15113,
title = {An Efficient Cervical Whole Slide Image Analysis Framework Based on Multi-scale Semantic and Location Deep Features},
author = {Ziquan Wei and Shenghua Cheng and Junbo Hu and Li Chen and Shaoqun Zeng and Xiuli Liu},
journal= {arXiv preprint arXiv:2106.15113},
year = {2022}
}
备注
15 pages, 8 figures, under review to Medical Image Analysis (2nd round)