FocusLiteNN：面向数字病理的高效聚焦质量评估
图像与视频处理
2020-10-02 v2 计算机视觉与模式识别
机器学习
摘要
数字病理中显微镜镜头失焦是高通量全切片图像(WSI)扫描平台的关键瓶颈，为此亟需像素级自动化聚焦质量评估(FQA)方法以显著加速临床工作流。现有FQA方法包括知识驱动与数据驱动两类。尽管卷积神经网络(CNN)等数据驱动方法展现出巨大潜力，但其高计算复杂度与缺乏可迁移性致使难以实用。此处我们提出一种高效CNN模型，在无需GPU等过度硬件需求下保持与知识驱动方法相近的快速计算。我们利用FocusPath构建训练数据集，涵盖九种不同染色色的多样组织切片，染色多样性极大助益模型学习广谱色系与组织结构。在降低CNN复杂度的尝试中，我们惊讶发现即便将CNN精简至极小规模，仍具高度竞争力。我们引入一个新颖综合评估数据集（同类中最大），从TCGA库标注汇编用于模型评估对比，所提方法相较现有知识驱动与数据驱动FQA方法展现出优越的精度-速度权衡。
引用
@article{arxiv.2007.06565,
title = {FocusLiteNN: High Efficiency Focus Quality Assessment for Digital Pathology},
author = {Zhongling Wang and Mahdi S. Hosseini and Adyn Miles and Konstantinos N. Plataniotis and Zhou Wang},
journal= {arXiv preprint arXiv:2007.06565},
year = {2020}
}
备注
To be published in the 23rd International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI) 2020