RegWSI：结合深度特征与强度方法的全切片图像配准——ACROBAT 2023 挑战赛冠军
图像与视频处理
2024-05-22 v2 计算机视觉与模式识别
摘要
不同染色全切片图像（WSI）的自动配准对于融合来自不同可见结构的互补信息以改善诊断和预后至关重要。它也有助于在连续切片或重染色切片之间快速传递标注，从而显著减少标注时间及相关成本。然而，每种染色的切片制备过程不同，且组织会发生复杂且大幅度的形变。因此，科学界和数字病理学专科医院高度期望一种鲁棒、高效且准确的配准方法。我们提出了一种两步混合方法，包括：（i）基于深度学习和特征的初始对齐算法，以及（ii）使用实例优化的基于强度的非刚性配准。所提出的方法不需要针对特定数据集进行任何微调，可直接用于任何所需的组织类型和染色。该方法在 ACROBAT 2023 挑战赛中荣获第一名。我们使用三个开放数据集进行了评估：（i）ANHIR，（ii）ACROBAT，以及（iii）HyReCo，并针对用于配准的分辨率以及初始对齐的鲁棒性和稳定性进行了多项消融研究。该方法在 ACROBAT 数据集上取得了最准确的结果，在 HyReCo 数据集的重染色切片上达到了细胞级配准精度，并且在 ANHIR 数据集上位列最佳评估方法之列。该方法不需要针对新数据集进行任何微调，可开箱即用于其他类型的显微图像。该方法被整合入 DeeperHistReg 框架，允许他人直接使用它在任何所需的金字塔层级对 WSI 进行配准、变换和保存。所提出的方法是对 WSI 配准的重大贡献，从而推动了数字病理学领域的发展。
引用
@article{arxiv.2404.13108,
title = {RegWSI: Whole Slide Image Registration using Combined Deep Feature- and Intensity-Based Methods: Winner of the ACROBAT 2023 Challenge},
author = {Marek Wodzinski and Niccolò Marini and Manfredo Atzori and Henning Müller},
journal= {arXiv preprint arXiv:2404.13108},
year = {2024}
}