基于全切片图像的自动诊断组织伪影分割与严重程度分析

传统上，病理分析和诊断是由专家在显微镜下人工目视检查玻璃切片标本进行的。全切片图像（Whole Slide Image, WSI）是由玻璃切片产生的数字标本。全切片图像使得标本能够在计算机屏幕上观察，并催生了计算病理学，即利用计算机视觉和人工智能进行自动分析和诊断。随着当前计算能力的进步，整个全切片图像可以在无人监督的情况下自主分析。然而，如果全切片图像受到组织折叠或气泡等组织伪影的影响，且取决于其严重程度，分析可能会失败或导致错误诊断。现有的伪影检测方法依赖专家进行严重程度评估，以从分析中剔除受伪影影响的区域。这一过程耗时、费力，且破坏了自动分析的目标；若在不评估严重程度的情况下移除伪影，可能导致具有诊断重要性的数据丢失。因此，有必要自动检测伪影并评估其严重程度。在本文中，我们提出了一种利用卷积神经网络将严重程度评估与伪影检测相结合的系统。所提出的系统使用 DoubleUNet 分割伪影，并使用由六个微调卷积神经网络模型组成的集成网络来确定严重程度。该方法在伪影分割的准确率上比当前最先进方法提高了 9%，并且在严重程度评估方面与病理学家的评估达到了 97% 的强相关性。我们使用提出的异构数据集证明了系统的鲁棒性，并通过将其集成到自动分析系统中确保了其实用性。