全景病理图像分析的层次自适应分类学分割：HATs
图像与视频处理
2024-07-02 v1 计算机视觉与模式识别
摘要
计算病理学中的全景图像分割是一个极具挑战性的任务，由于其形态学复杂且尺度各异的解剖结构。例如，肾脏病理学的复杂组织结构跨越多个层次，涵盖从皮质、髓核等区域，到功能单元如髓系、管腔和血管，进而涉及各种细胞类型。本文提出一种新颖的层次自适应分类学分割（Hierarchical Adaptive Taxonomy Segmentation, HATs）方法，旨在利用详细的解剖学见解，对全景肾脏结构进行彻底分割。我们的做法包括（1）创新的HATs技术，将15种不同对象类的空间关系转化为跨区域、功能单元和细胞的 versatile “即插即用”损失函数，（2）将解剖学层次结构和尺度考虑整合到统一的简单矩阵表示中，用于所有全景实体，（3）采用最新的AI基础模型（EfficientSAM）作为特征提取工具，以提升模型的适应性，同时消除传统分割模型（SAM）中手动提示生成的需求。实验结果表明，HATs方法为将临床见解和影像前例整合到覆盖超过15类的统一分割模型中提供了一种有效且高效的策略。官方实现已公开于https://github.com/hrlblab/HATs。
关键词
引用
@article{arxiv.2407.00596,
title = {HATs: Hierarchical Adaptive Taxonomy Segmentation for Panoramic Pathology Image Analysis},
author = {Ruining Deng and Quan Liu and Can Cui and Tianyuan Yao and Juming Xiong and Shunxing Bao and Hao Li and Mengmeng Yin and Yu Wang and Shilin Zhao and Yucheng Tang and Haichun Yang and Yuankai Huo},
journal= {arXiv preprint arXiv:2407.00596},
year = {2024}
}
备注
arXiv admin note: text overlap with arXiv:2402.19286