为计算病理学系统配备伪影处理流水线：计算与性能权衡的展示
图像与视频处理
2024-05-24 v3 人工智能
计算机视觉与模式识别
机器学习
摘要
组织病理学是显微镜下癌症诊断的金标准。然而，组织学组织处理过程会产生伪影，这些伪影最终会转移到玻片的数字化版本中，即全切片图像（WSI）。伪影是与诊断无关的区域，可能导致深度学习（DL）算法做出错误的预测。因此，在计算病理学（CPATH）系统中检测并排除伪影对于可靠的自动化诊断至关重要。在本文中，我们提出了一种混合专家方案，用于从 WSI 中检测五种显著的伪影，包括受损组织、模糊、折叠组织、气泡以及与组织学无关的血液。首先，我们训练独立的二值深度学习模型作为专家，以捕获特定的伪影形态。然后，我们使用融合机制集成它们的预测。我们在最终的概率分布上应用概率阈值化，以提高 MoE 的敏感性。我们利用最先进的深度卷积神经网络（DCNN）和视觉 Transformer（ViT）构建了包含两个 MoE 和两个多类模型的深度学习流水线。基于 DCNN 的 MoE 和基于 ViT 的 MoE 方案优于更简单的多类模型，并在来自不同医院和癌症类型的数据集上进行了测试，其中使用 DCNN 的 MoE 取得了最佳结果。所提出的 MoE 在未见过的数据上取得了 86.15% 的 F1 分数和 97.93% 的敏感性分数，同时保持了比使用 ViT 的 MoE 更低的推理计算成本。MoE 的这种最佳性能伴随着比多类模型相对更高的计算权衡。所提出的伪影检测流水线不仅能确保可靠的 CPATH 预测，还可能提供质量控制。
引用
@article{arxiv.2403.07743,
title = {Equipping Computational Pathology Systems with Artifact Processing Pipelines: A Showcase for Computation and Performance Trade-offs},
author = {Neel Kanwal and Farbod Khoraminia and Umay Kiraz and Andres Mosquera-Zamudio and Carlos Monteagudo and Emiel A. M. Janssen and Tahlita C. M. Zuiverloon and Chunmig Rong and Kjersti Engan},
journal= {arXiv preprint arXiv:2403.07743},
year = {2024}
}
备注
Submitted to BMC Medical Informatics and Decision Making Journal