面向组织病理学全切片图像的高效有效上下文感知细胞核检测

组织病理学全切片图像 (WSIs) 中的细胞核检测对于广泛的临床应用至关重要。WSIs 的千兆像素尺寸需要使用滑动窗口方法进行细胞核检测。然而，主流方法独立处理每个滑动窗口，忽略了更广泛的上下文信息，容易导致不准确的预测。为了解决这一限制，最近的研究额外裁剪以每个滑动窗口为中心的大视场 (LFoV) 图像块来提取上下文特征。然而，这种方法显著增加了全切片推理延迟。在这项工作中，我们提出了一种高效有效的上下文感知细胞核检测方法。具体而言，我们不使用 LFoV 图像块，而是从历史访问的滑动窗口的现成特征中聚合上下文线索，这极大地提高了推理效率。此外，与以前工作中使用的 LFoV 图像块相比，滑动窗口图像块具有更高的放大倍率并提供更细粒度的组织细节，从而提高了分类准确率。为了开发所提出的上下文感知模型，我们利用带注释的图像块及其周围未标记的图像块进行训练。除了从这些周围区域利用高级组织上下文外，我们设计了一种训练后策略，利用其中丰富的未标记细胞核样本来增强模型的上下文适应能力。在三个具有挑战性的基准上的广泛实验结果证明了我们方法的优越性。