基于语义分割的组织病理全切片图像质量控制
图像与视频处理
2025-06-17 v2 计算机视觉与模式识别
摘要
我们开发了一个用于组织病理全切片图像（WSI）质量控制（QC）的软件管线，该管线将分割 various 区域，包括不同程度的模糊区、组织区域、组织折叠和笔迹。鉴于处理 WSI 的 GPU 需求的 necessity 和日益增长的可用性，提出的管线包含多个轻量级深度学习模型，以在准确性和速度之间取得平衡。该管线在所有 TCGAs 中进行评估，这是最大公开可用的 WSI 数据集，包含超过11,000幅来自28个器官的组织病理图像。与基于深度学习的方法（即不基于深度学习的方法）进行比较时，显示出在各器官上一致的分割结果改进。为最小化组织和模糊分割的标注工作，采用 mosaicking 技术将来自不同 WSI 的 patch（子图像）自动拼接，标签通过 patch 分类工具 HistoROI 识别。由于该训练好的 QC 管线的通用性及其广泛测试，该工作的潜在影响面广泛。可用于自动预处理任何 WSI 队列，以增强大规模组织病理图像分析在 research 和临床用途中的准确性和可靠性。我们已在 https://github.com/abhijeetptl5/wsisegqc 上公开训练好的模型、训练脚本、训练数据和推理结果，旨在使研究社区能够立即使用该管线或进一步定制以适应新数据集和应用。
引用
@article{arxiv.2410.03289,
title = {Semantic Segmentation Based Quality Control of Histopathology Whole Slide Images},
author = {Abhijeet Patil and Garima Jain and Harsh Diwakar and Jay Sawant and Tripti Bameta and Swapnil Rane and Amit Sethi},
journal= {arXiv preprint arXiv:2410.03289},
year = {2025}
}
备注
14 pages, 8 figures