用于组织病理学图像中组织折叠检测的深度特征

全切片成像（WSI）指组织标本的数字化，使病理学家能够在显示器上而非通过显微镜观察高分辨率图像。组织折叠形成于组织处理过程中。其存在不仅可能导致离焦数字化，在某些情况下还会对诊断产生负面影响。本文中，我们比较了五种不同深度的预训练卷积神经网络（CNNs）作为特征提取器来刻画组织折叠。我们还探索了常用分类器，以在苏木精和伊红（H&E）染色的活检样本中区分折叠组织与正常组织。实验中，我们在 $20$x 放大倍率下手动选取约 2.5mm $\times$ 2.5mm 斑块中的折叠区域作为训练数据。具有 201 层的“DenseNet”结合 SVM 分类器优于所有其他配置。基于留一验证策略，我们达到了 $96.3\%$ 准确率，而通过数据增强准确率提升至 $97.2\%$。我们使用来自 NIH（National Cancer Institute）数据集的五个未见 WSI 测试了方法的泛化性。斑块级检测的准确率为 $81\%$。图像中一个折叠斑块即足以标记整张标本以供目视检查。