Glo-In-One：基于大规模网络图像挖掘的肾小球整体检测、分割与病变表征工具包
计算机视觉与模式识别
2022-06-02 v1
摘要
从高分辨率全切片成像（WSI）中对肾小球进行定量检测、分割和表征，在数字肾脏病理学的计算机辅助诊断和科学研究中起着至关重要的作用。历史上，此类综合量化需要大量的编程技能，以便能够处理异构和定制化的计算工具。为弥合非技术用户进行肾小球量化之间的差距，我们开发了Glo-In-One工具包，通过单行命令实现肾小球的整体检测、分割和表征。此外，我们发布了一个包含30,000张未标记肾小球图像的大规模集合，以进一步促进自监督深度学习的算法开发。Glo-In-One工具包的输入为WSI，输出为：（1）WSI级多类圆形肾小球检测结果（可直接用ImageScope操作）；（2）带分割掩码的肾小球图像块；（3）不同病变类型。为利用Glo-In-One工具包的性能，我们通过大规模网络图像挖掘将自监督深度学习引入肾小球量化。GGS细粒度分类模型在使用仅10%的标注数据时，相较于基线监督方法取得了不错的性能。肾小球检测以圆形表示实现了0.627的平均精度，而肾小球分割实现了0.955的块级Dice相似系数（DSC）。
引用
@article{arxiv.2206.00123,
title = {Glo-In-One: Holistic Glomerular Detection, Segmentation, and Lesion Characterization with Large-scale Web Image Mining},
author = {Tianyuan Yao and Yuzhe Lu and Jun Long and Aadarsh Jha and Zheyu Zhu and Zuhayr Asad and Haichun Yang and Agnes B. Fogo and Yuankai Huo},
journal= {arXiv preprint arXiv:2206.00123},
year = {2022}
}