DeepAf: One-Shot Spatiospectral Auto-Focus Model for Digital Pathology
计算机视觉与模式识别
2025-10-08 v1 人工智能
摘要
尽管Whole Slide Imaging(WSI)扫描仪仍是数字病理学样本的金标准，但其高昂成本限制了许多医疗环境的可及性。其他低成本解决方案也面临关键限制：自动显微镜在不同组织形态下难以保持一致焦点，传统自动焦点方法需要耗时的焦点堆栈，而现有的深度学习方法要么需要多个输入图像，要么缺乏跨组织类型和染色协议的泛化能力。我们引入一种新的自动显微系统，由DeepAf驱动，DeepAf是一种独特地通过混合体系结构组合空间和光谱特征的自动焦点框架。该提议网络自动回归到最佳焦点距离的预测值，并提取的spatiospectral特征用于调整控制参数以获得最佳图像结果。我们的系统将传统显微镜转化为高效的切片扫描仪，相对于基于堆叠的方法将焦点时间缩短80%，同时在相同实验室样本上实现0.18{\mu}m的焦点精度，匹配双图像方法(0.19{\mu}m)的性能，但输入要求减半。DeepAf在跨实验室方面表现出稳健的泛化能力，仅有0.72%的误焦预测，且90%的预测落在焦深范围内。通过对536个脑组织样本的广泛临床研究，我们的系统在4x放大倍数下实现0.90 AUC的癌症分类，这是在通常20xWSI扫描的较低放大倍数下的显著成就。这一结果为在资源受限环境中实现可及、实时数字病理学提供了综合的硬件-软件设计，同时保持诊断准确性。
引用
@article{arxiv.2510.05315,
title = {DeepAf: One-Shot Spatiospectral Auto-Focus Model for Digital Pathology},
author = {Yousef Yeganeh and Maximilian Frantzen and Michael Lee and Kun-Hsing Yu and Nassir Navab and Azade Farshad},
journal= {arXiv preprint arXiv:2510.05315},
year = {2025}
}