计算病理学的语义标注：多学科经验与最佳实践建议
图像与视频处理
2021-06-28 v1 计算机视觉与模式识别
机器学习
摘要
全切片成像（WSI）技术的最新进展催生了大量基于计算机视觉与人工智能（AI）的诊断、预后及预测算法。计算病理学（CPath）提供了一种集成方案，以利用病理 WSI 中嵌入的信息，超越我们通过视觉评估所获得的内容。为自动分析 WSI 并验证机器学习（ML）模型，需要在切片、组织与细胞层面进行标注。标注病理图像中重要的视觉构件是 CPath 项目的重要组成部分。不当的标注会导致难以解释的算法，并可能产生不准确且不一致的结果。尽管标注在 CPath 项目中起着关键作用，但目前尚无关于应如何开展标注的明确指南或最佳实践。在本文中，我们通过呈现作为 Pathology image data Lake for Analytics, Knowledge and Education（PathLAKE）联盟一部分、由病理学家、ML 专家与研究人员组成的多学科团队在执行大规模标注实践过程中所获得的经验与最佳实践，来弥补这一不足。我们给出一个真实案例研究，以及不同类型标注、诊断算法、标注数据字典与标注构件的示例。本工作所报告的分析强调了可作为 CPath 项目全生命周期标注指南的最佳实践建议。
引用
@article{arxiv.2106.13689,
title = {Semantic annotation for computational pathology: Multidisciplinary experience and best practice recommendations},
author = {Noorul Wahab and Islam M Miligy and Katherine Dodd and Harvir Sahota and Michael Toss and Wenqi Lu and Mostafa Jahanifar and Mohsin Bilal and Simon Graham and Young Park and Giorgos Hadjigeorghiou and Abhir Bhalerao and Ayat Lashen and Asmaa Ibrahim and Ayaka Katayama and Henry O Ebili and Matthew Parkin and Tom Sorell and Shan E Ahmed Raza and Emily Hero and Hesham Eldaly and Yee Wah Tsang and Kishore Gopalakrishnan and David Snead and Emad Rakha and Nasir Rajpoot and Fayyaz Minhas},
journal= {arXiv preprint arXiv:2106.13689},
year = {2021}
}