从传统方法到深度学习方法在全切片图像配准中的探讨：一种方法综述
图像与视频处理
2025-02-27 v1 人工智能
计算机视觉与模式识别
摘要
全切片图像（WSI）配准是分析肿瘤微环境（TME）中组织学学术研究的关键任务。它涉及对同一切片或组织样本的序列切片之间空间信息的对齐。组织切片通常用单一或多种生物标志物染色后进行成像，其目标是为在TME中识别相邻细胞核（关键点）（关键点）以构建三维图像或识别细胞的亚类。与放射学图像配准（如MRI或CT）相比，这一任务要困难得多，这包括图像巨像级大小、不同染色组织之间的外观差异、非连续切片之间的结构和形态变化，以及杂质、撕裂和变形的存在。当前文献中关于综述现有方法及其局限性，以及它们所呈现的挑战和机遇的工作存在明显的空白。我们旨在提供对现有方法及其应用的全面理解。此外，我们调查了用于WSI配准的深度学习方法，强调其多样化的方法论。我们检查了可用数据集，探讨了该领域所使用的工具和软件。最后，我们确定了该领域的开放挑战和潜在未来趋势。
引用
@article{arxiv.2502.19123,
title = {From Traditional to Deep Learning Approaches in Whole Slide Image Registration: A Methodological Review},
author = {Behnaz Elhaminia and Abdullah Alsalemi and Esha Nasir and Mostafa Jahanifar and Ruqayya Awan and Lawrence S. Young and Nasir M. Rajpoot and Fayyaz Minhas and Shan E Ahmed Raza},
journal= {arXiv preprint arXiv:2502.19123},
year = {2025}
}