TUMLS：面向组织学全切片图像的信任型无监督多层分割
图像与视频处理
2025-04-18 v1 人工智能
计算机视觉与模式识别
摘要
数字病理学因人工智能（AI）的增强而展现出巨大的潜力，旨在提高病理学家的工作流程。然而，当前 AI 方法在组织病理学中的实际应用受到诸多挑战的制约，包括全切片图像（WSI）的标注工作量大、计算需求高以及因缺乏不确定性估计而引发的信任问题。为此，我们提出一种新颖的信任型完全无监督多层分割方法（TUMLS），用于 WSIs。TUMLS 采用自编码器（AE）作为特征提取器，以低分辨率训练数据识别不同组织类型。它基于不确定性度量从每个识别组中选择代表性补丁，然后在其各自的更高分辨率空间中进行无监督核分离，而无需使用任何 ML 方法。关键的是，这一解决方案无缝集成到临床工作流程中，将对单个 WSIs 的检查转换为对简洁、可解释的跨层次见解的审阅。该集成显著加速了工作流程，同时确保了透明度。我们使用 UPENN-GBM 数据集进行评估，其中 AE 的均方误差（MSE）为 0.0016。此外，核分割在 MoNuSeg 数据集上取得优异成绩，F1 分数为 77.46%，Jaccard 分数为 63.35%，超越了所有无监督方法。这些结果表明 TUMLS 在数字病理学领域具有有效性。
引用
@article{arxiv.2504.12718,
title = {TUMLS: Trustful Fully Unsupervised Multi-Level Segmentation for Whole Slide Images of Histology},
author = {Walid Rehamnia and Alexandra Getmanskaya and Evgeniy Vasilyev and Vadim Turlapov},
journal= {arXiv preprint arXiv:2504.12718},
year = {2025}
}
备注
32 pages, 15 figures, 3 tables, 42 references