基于人类在环训练的全切片病理图像高效质量控制
图像与视频处理
2024-10-01 v1 计算机视觉与模式识别
摘要
病理全切片图像（WSIs）正被广泛应用于开发基于深度学习的诊断解决方案，尤其是精准肿瘤学。大多数诊断软件都可能受到训练和测试数据中偏差与污染的影响，导致诊断不准确。例如，WSIs包含多种组织区域，其中至少有一些区域可能与诊断无关。我们引入HistoROI，一个稳健且轻量级的基于深度学习的分类器，用于将WSI划分为六大类组织区域——上皮组织、腱组织、淋巴细胞、脂肪组织、杂质和其他。HistoROI采用新颖的人类在环和主动学习范式进行训练，确保标签效率的泛化。HistoROI在多个器官上均能稳健地表现，尽管仅基于单个数据集训练，显示出强大的泛化能力。进一步，我们在CAMELYON乳腺癌淋巴结和TCGA肺癌数据集上检验了HistoROI提高下游深度学习任务性能的作用。对于前者数据集，使用HistoROI过滤数据后，神经网络在淋巴结转移与正常组织分类中的受试者工作特征曲线下面积（AUC）从0.88提升至0.92。同样，肺癌数据集上腺癌与鳞癌分类的AUC从0.88提升至0.93。我们还发现HistoROI在93个标注WSIs的测试数据集上对杂质检测的性能优于HistoQC。分析了本方案的局限性，还讨论了潜在的扩展方向。
引用
@article{arxiv.2409.19587,
title = {Efficient Quality Control of Whole Slide Pathology Images with Human-in-the-loop Training},
author = {Abhijeet Patil and Harsh Diwakar and Jay Sawant and Nikhil Cherian Kurian and Subhash Yadav and Swapnil Rane and Tripti Bameta and Amit Sethi},
journal= {arXiv preprint arXiv:2409.19587},
year = {2024}
}
备注
18 pages