EasierPath：一个用于肾脏病理学人机协同深度学习的开源工具
图像与视频处理
2020-07-29 v1 计算机视觉与模式识别
摘要
过去几年中，肾脏病学领域出现了大量形态表型研究，旨在发现临床表型与影像表型之间的隐藏规律。这类研究在很大程度上依赖于基于深度学习的图像分析，以在高分辨率全切片图像（WSI）上提取稀疏分布的目标对象（如肾小球）。然而，此类方法需要使用劳动密集型的高质量标注进行训练，理想情况下应由病理学家标注。受近期“人机协同（human-in-the-loop）”策略的启发，我们开发了 EasierPath，一个开源工具，将人类医师与深度学习算法集成到一个闭环中，以实现高效的大规模病理图像量化。使用 EasierPath，医师能够（1）自适应地优化深度学习目标检测结果的召回率与精确率，（2）无缝支持使用我们的 EasierPath 或流行的 ImageScope 软件对深度学习结果进行精修，而不改变医师的使用习惯，以及（3）以用户自定义类别对每个对象进行管理与表型分析。作为 EasierPath 的一个用户案例，我们展示了以高效人机协同方式（包含两个循环）筛选大规模肾小球的过程。实验表明，在第二个循环中，EasierPath 节省了 57% 的标注工作量，用于筛选 8,833 个肾小球。同时，肾小球检测的平均精确率从 0.504 提升至 0.620。EasierPath 软件已作为开源发布，以支持大规模肾小球原型分析。代码可在 https://github.com/yuankaihuo/EasierPath 获取。
引用
@article{arxiv.2007.13952,
title = {EasierPath: An Open-source Tool for Human-in-the-loop Deep Learning of Renal Pathology},
author = {Zheyu Zhu and Yuzhe Lu and Ruining Deng and Haichun Yang and Agnes B. Fogo and Yuankai Huo},
journal= {arXiv preprint arXiv:2007.13952},
year = {2020}
}