全切片图像聚焦质量：自动评估及其对人工智能癌症检测的影响
计算机视觉与模式识别
2020-06-03 v2
摘要
数字病理学实现了远程访问或会诊以及强大的图像分析算法。然而，切片数字化过程可能产生诸如失焦（OOF）等伪影。OOF 往往仅在仔细审阅时才被发现，可能导致重新扫描和工作流延迟。尽管扫描时由操作员筛查全切片 OOF 是可行的，但对手动筛查仅影响切片部分区域的 OOF 而言并不现实。我们开发了一种卷积神经网络（ConvFocus）来详尽地定位并量化数字化切片上 OOF 区域的严重程度。ConvFocus 使用我们改进的半合成 OOF 数据生成过程开发，并使用由两台不同扫描仪数字化的、涵盖 3 种不同组织类型和 3 种不同染色类型的真实全切片图像进行评估。ConvFocus 的预测结果与病理医生标注的聚焦质量等级在 514 个不同区域（代表 37,700 个 35x35 m 图像块）以及 21 张包含已知 OOF 模式的数字化“z-stack”全切片图像上进行了比较。与病理医生分级的聚焦质量相比，ConvFocus 在两台扫描仪上分别取得了 0.81 和 0.94 的 Spearman 秩相关系数，并复现了 z-stack 扫描预期的 OOF 模式。我们还评估了 OOF 对最先进的转移性乳腺癌检测器准确率的影响，观察到随着 OOF 增加性能持续下降。全面的全切片 OOF 分类可在病理医生审阅前实现重新扫描，从而潜在降低数字化聚焦问题对临床工作流的影响。我们表明，基于半合成 OOF 数据训练的算法可很好地泛化到跨组织类型、染色和扫描仪的真实 OOF 区域。最后，定量 OOF 图可标记出可能被图像分析算法误分类的区域，从而防止 OOF 引起的错误。
引用
@article{arxiv.1901.04619,
title = {Whole-Slide Image Focus Quality: Automatic Assessment and Impact on AI Cancer Detection},
author = {Timo Kohlberger and Yun Liu and Melissa Moran and Po-Hsuan and Chen and Trissia Brown and Craig H. Mermel and Jason D. Hipp and Martin C. Stumpe},
journal= {arXiv preprint arXiv:1901.04619},
year = {2020}
}