滑窗是开放世界的最佳运输工具,用于在组织病理学中检测人工物

科学领域:

• 数字病理学数字病理学
• 人工智能在医学中的应用
• 医学图像分析 医学图像分析

背景情况:

• 组织学图像通常包含来自扫描器故障或准备的文物.
• 这些文物降低了深度学习 (DL) 模型在细分和诊断等任务中的性能.
• 确保DL模型对整个幻灯片图像的可靠性,需要强大的工件检测和故障模式识别.

研究的目的:

• 在整个幻灯片图像中开发一种用于分布外 (OOD) 检测的新技术.
• 创建一个与任何细分或分类兼容的方法DL模型.
• 增强DL模型在数字病理学中的开放世界适用性和可靠性.

主要方法:

• 在整张幻灯片图像中引入了一种用于OOD检测的新技术.
• 多层特征被成滑动窗口补丁.
• 最佳运输用于将特征与分布样本对齐,成本平均在瓦片和层上检测OOD样本.

主要成果:

• 该方法有效地识别了影响下游性能的故障模式,优于现有的OOD检测技术.
• 对自然和合成文物的评估表明,与替代品相比,文物检测能力优越.
• 该技术在下游任务中减轻了性能下降,提高了可靠性高达77%,平均提高了Dice得分68%.

结论:

• 拟议的方法提供了一种可靠的方法,用于检测组织学图像中的工件.
• 它显著提高了DL模型在数字病理学中的稳定性和性能.
• 这种技术提高了DL模型在整个幻灯片图像分析中的实际实用性.