HistoGym: 用于组织病理学图像分析的强化学习环境
图像与视频处理
2024-08-19 v1 计算机视觉与模式识别
机器学习
摘要
在病理研究、教育和临床实践中，基于病理图像的决策过程至关重要。这种重要性延伸至数字病理图像分析：其充分性由组织结构中包含的广泛信息所证明，这些信息对于准确的癌症分类和分级至关重要。此外，算法生成的结论固有的可解释性要求也凸显了其必要性。对于人类而言，确定肿瘤类型和分级通常涉及多尺度分析，这对 AI 算法来说是一个重大挑战。传统的基于块的方法不足以建模此类复杂结构，因为它们无法捕获全切片图像中固有的复杂多尺度信息。因此，迫切需要先进的 AI 技术来高效且准确地复制这种复杂的分析过程。为了解决这一问题，我们引入了 HistoGym，一个用于组织病理学图像分析的开源强化学习环境。遵循 OpenAI Gym API，HistoGym 旨在通过模拟医生的真实过程来促进全切片图像诊断。利用 WSIs 的金字塔特性和 OpenSlide API，HistoGym 为各种临床任务（包括肿瘤检测和分类）提供了一个统一框架。我们详细说明了针对组织病理学图像分析领域定制的观察、动作和奖励规范，并为临床医生和研究人员提供了一个基于开源 Python 的接口。为了适应不同的临床需求，我们为不同器官和癌症提供了多种场景，包括基于 WSI 的和基于选定区域的场景，展示了一些值得关注的结果。
引用
@article{arxiv.2408.08847,
title = {HistoGym: A Reinforcement Learning Environment for Histopathological Image Analysis},
author = {Zhi-Bo Liu and Xiaobo Pang and Jizhao Wang and Shuai Liu and Chen Li},
journal= {arXiv preprint arXiv:2408.08847},
year = {2024}
}