数字病理学中抗伪影的基于图的学习
图像与视频处理
2023-10-30 v1 计算机视觉与模式识别
摘要
全切片图像（WSIs）是使用先进扫描仪将置于玻璃载片上的组织数字化得到的图像。WSIs 的数字处理具有挑战性，因为它们是十亿像素图像并以多分辨率格式存储。WSIs 的一个常见挑战是，在保存玻璃载片和数字化过程中伪影/扰动不可避免。这些扰动包括运动（常由放置过程中的载片移动引起）以及由于染色化学品差异和数字化扫描仪质量导致的色调和亮度变化。在这项工作中，提出了一种新颖的鲁棒学习方法来应对这些伪影。由于 WSI 的尺寸和分辨率，并为了利用邻域信息，需要基于图的方法。我们使用图卷积网络（GCN）从表示 WSI 的图中提取特征。通过去噪器和池化层，WSI 中扰动的影响被控制，其输出随后接入一个 transformer 用于前列腺癌不同分级的分类。为了比较所提方法的效能，训练并测试了无去噪器的模型（使用无任何扰动的 WSI），然后将不同扰动引入 WSI 并通过带去噪器的网络。所提模型在前列腺癌数据集上的准确率和 kappa 分数相较于非鲁棒算法显示出癌症诊断的显著改进。
引用
@article{arxiv.2310.18192,
title = {Artifact-Robust Graph-Based Learning in Digital Pathology},
author = {Saba Heidari Gheshlaghi and Milan Aryal and Nasim Yahyasoltani and Masoud Ganji},
journal= {arXiv preprint arXiv:2310.18192},
year = {2023}
}