在整个幻灯片图像层面上进行多标签病理图像分割的加速管道
Haoju Leng1, Ruining Deng1, Zuhayr Asad2
1Department of Computer Science, Vanderbilt University, Nashville, TN, 37235 USA.
概括
这项研究增强了Omni-Seg,以在整个幻灯片图像 (WSIs) 中更快地进行病理组织细分. 改进的管道大大减少了处理时间,使数字病理学分析更有效率.
科学领域:
- 数字病理学数字病理学
- 计算病理学计算病理学
- 医疗图像分析 医疗图像分析
背景情况:
- 用于像素级组织特征的手动注释是劳动密集型和耗时的.
- 之前的Omni-Seg模型实现了高效的多类,多规模的病理细分,但采用了补丁式方法,限制了整个幻灯片图像 (WSI) 的速度.
研究的目的:
- 增强Omni-Seg管道用于WSIs的幻灯片式病理细分.
- 为了减少重复的计算过程,并使用GPU加速加速加速模型预测.
- 为了提高细分质量和处理速度.
主要方法:
- 开发了一个Docker容器,用于WSIs的端到端的幻灯片式多组织细分.
- 在GPU上部署了增强的Omni-Seg管道,以加速预测.
- 从组织图谱 (KPMP) 数据集中利用了35个WSI进行测试.
主要成果:
- 实现了整个幻灯片图像 (WSI) 处理时间的显著加快.
- 减少了标准针活检WSI的平均测试时间,从2.3小时减少到22分钟.
- 通过更快的预测速度,证明了更好的细分质量.
结论:
- 增强的Omni-Seg管道为WSIs的幻灯片式病理细分提供了有效的解决方案.
- GPU 加速和 Docker 部署大大减少了处理时间,同时保持或提高了细分质量.
- 公开可用的源代码和Docker促进了数字病理学研究的更广泛采用.
