深度学习增强的厚血膜疟疾高通量显微镜扩展景深
图像与视频处理
2019-06-19 v1 计算机视觉与模式识别
摘要
快速准确的疟疾诊断仍是一项全球健康挑战,自动化数字病理方法可提供适用于中低收入国家部署的可扩展解决方案。在此我们解决厚血膜显微镜中用于快速自动化疟疾诊断的扩展景深(EDoF)问题。通常偏好使用大数值孔径的高倍油镜(100x)来分辨有助于区分真实寄生虫与干扰物的精细结构细节。然而,此类物镜景深非常有限,需要对每个视场(FOV)在不同焦平面采集一系列图像。当前基于多尺度分解的EDoF技术耗时,因此不适合标本的高通量分析。为克服该挑战,我们开发了一种基于卷积神经网络(EDoF-CNN)的深度学习新方法,能够快速执行扩展景深,同时增强所得融合图像的空间分辨率。我们使用来自恶性疟原虫疟疾患者的吉姆萨染色厚血涂片的模拟低分辨率z栈评估了该方法。EDoF-CNN加快了我们的数字病理采集平台速度,并且当应用于对应于更少焦平面采集、大相机像素合并或更低倍率物镜(更大FOV)的较低分辨率栈时,相较于传统多尺度方法显著改善了EDoF质量。我们使用深度学习模型在EDoF上的寄生虫检测准确率作为该方法的具象化、任务特定的性能指标。
引用
@article{arxiv.1906.07496,
title = {Deep Learning Enhanced Extended Depth-of-Field for Thick Blood-Film Malaria High-Throughput Microscopy},
author = {Petru Manescu and Lydia Neary- Zajiczek and Michael J. Shaw and Muna Elmi and Remy Claveau and Vijay Pawar and John Shawe-Taylor and Iasonas Kokkinos and Mandayam A. Srinivasan and Ikeoluwa Lagunju and Olugbemiro Sodeinde and Biobele J. Brown and Delmiro Fernandez-Reyes},
journal= {arXiv preprint arXiv:1906.07496},
year = {2019}
}
备注
10 pages, 4 figures