释放数字病理学的潜力：新型压缩基线
图像与视频处理
2025-08-08 v1 计算机视觉与模式识别
摘要
数字病理学为组织病理学图像分析的临床实践带来了革命性的机遇，但也面临一个重大障碍：病理学全切片图像（WSI）的文件体积庞大。尽管当前的数字病理学解决方案依赖有损 JPEG 压缩来解决这一问题，但有损压缩可能引入颜色和纹理差异，从而潜在影响临床决策。以往研究分别独立评估感知图像质量与下游任务性能，而我们在四个不同的数据集上联合评估了压缩方案在感知质量与下游任务质量上的表现。此外，我们收集了一个初始未压缩的数据集，以对压缩方案进行无偏的感知评估。结果表明，针对感知质量微调的深度学习模型在进一步压缩 WSI 时优于 JPEG-XL 或 WebP 等传统压缩方案。然而，这些模型对训练数据中存在的压缩伪影表现出显著偏差，且难以在不同压缩方案间泛化。我们提出了一种基于原始文件与压缩文件之间特征相似性的新型评估指标，该指标与压缩 WSI 上的实际下游性能高度吻合。我们的指标允许对有损压缩方案进行通用且标准化的评估，减轻了独立评估不同下游任务的需求。本研究为 WSI 有损压缩方案的评估提供了新见解，并鼓励对有损压缩方案进行统一评估，以加速数字病理学的临床应用。
引用
@article{arxiv.2412.13137,
title = {Unlocking the Potential of Digital Pathology: Novel Baselines for Compression},
author = {Maximilian Fischer and Peter Neher and Peter Schüffler and Sebastian Ziegler and Shuhan Xiao and Robin Peretzke and David Clunie and Constantin Ulrich and Michael Baumgartner and Alexander Muckenhuber and Silvia Dias Almeida and Michael Götz and Jens Kleesiek and Marco Nolden and Rickmer Braren and Klaus Maier-Hein},
journal= {arXiv preprint arXiv:2412.13137},
year = {2025}
}