面向组织学的快速可扩展图像检索
计算机视觉与模式识别
2021-07-30 v1 人工智能
组织与器官
摘要
数字病理学的日益普及使得能够整理出大量组织学全切片图像（WSI）存储库，这些图像蕴含丰富信息。相似病理图像检索提供了在千兆像素级 WSI 的大型历史存储库中梳理以识别具有相似形态学特征病例的机会，并且对于诊断罕见疾病、识别用于预测预后、治疗结果和潜在临床试验成功率的相似病例尤其有用。开发 WSI 检索系统的一个关键挑战是可扩展性，考虑到需要检索不断增长的切片数量（每个切片可由数十亿像素组成且大小为数吉字节），这一挑战尤为独特。此类系统通常速度较慢，且检索速度常随其所检索存储库的大小而缩放，使其临床采用繁琐，并且对于持续增长的存储库不可行。在此我们提出组织病理学快速图像检索（FISH），一种无限可扩展且实现恒定检索速度（与图像数据库大小无关）、可解释且不需要详细标注的组织学图像检索流程。FISH 使用自监督深度学习从 WSI 中编码有意义的表示，并使用 Van Emde Boas 树进行快速搜索，随后采用基于不确定性的排序算法检索相似 WSI。我们在跨越 56 种疾病亚型、超过 22,000 例患者病例的多个任务和数据集上评估了 FISH。我们还额外证明 FISH 可用于辅助诊断罕见癌症类型，其中可能缺乏足够病例来训练传统监督深度模型。FISH 作为一个易于使用的开源软件包提供（https://github.com/mahmoodlab/FISH）。
引用
@article{arxiv.2107.13587,
title = {Fast and Scalable Image Search For Histology},
author = {Chengkuan Chen and Ming Y. Lu and Drew F. K. Williamson and Tiffany Y. Chen and Andrew J. Schaumberg and Faisal Mahmood},
journal= {arXiv preprint arXiv:2107.13587},
year = {2021}
}