UWarp：用于表征扫描器引起局部域移的全切片图像配准管线
图像与视频处理
2025-07-14 v3 计算机视觉与模式识别
摘要
组织病理切片数字化引入的扫描器引起的域移可能显著影响基于深度学习方法的计算病理学模型。在当前主流方法中，这种移位常在较大尺度（切片级或数据集级）进行表征，但未在局部（patch 级）进行分析，这限制了我们对局部组织特性对深度学习模型准确性影响的理解。为此，我们提出了基于 UWarp 的域移分析框架，后者是一种新型配准工具，用于在不同条件下准确对齐组织切片。UWarp 采用分层配准方法，结合全局仿射变换与细粒度局部校正，实现稳健的组织切片对齐。我们使用两个私有数据集（CypathLung 和 BosomShieldBreast），其中包含由多个设备扫描的全切片图像，对 UWarp 进行评估。我们的实验表明，UWarp 在已有开源配准方法中表现更佳，中位数目标配准误差 (TRE) 小于 4 像素（在 40x 放大倍数下即小于 1 微米），同时显著降低了计算时间。此外，我们将 UWarp 应用于表征 Breast-NEOprAIdict 深度学习模型预测中由扫描器引起的局部域移。我们发现预测 variability 强烈地与给定切片上组织密度相关。我们的发现凸显了局部分域移分析的重要性，并表明 UWarp 可作为提高模型稳健性和域适应策略的有价值工具。
引用
@article{arxiv.2503.20653,
title = {UWarp: A Whole Slide Image Registration Pipeline to Characterize Scanner-Induced Local Domain Shift},
author = {Antoine Schieb and Bilal Hadjadji and Natalia Fernanda Valderrama and Daniel Tshokola Mweze and Valentin Derangère and Laurent Arnould and Sylvain Ladoire and Alain Lalande and Alessio Fiorin and Carlos López Pablo and Noèlia Gallardo Borràs and Shrief Abdelazeez and Vincenzo Della Mea and Anna Korzynska and Louis-Oscar Morel and Nathan Vinçon},
journal= {arXiv preprint arXiv:2503.20653},
year = {2025}
}
备注
preprint