MSGM:全幻灯片组织病理学图像的先进深度多尺寸指导匹配网络,解决着染色变异和低可见性挑战

科学领域:

• 数字病理学数字病理学
• 计算成像技术的成像
• 医学图像分析 医学图像分析

背景情况:

• 精确匹配整个幻灯片组织病理学图像 (WSIs) 对于全面的癌症诊断至关重要.
• 由于它们的大小,千兆像素WSIs对高精度匹配具有重大挑战.
• 现有的基于学习的方法在大型WSIs的概括方面扎,需要混合方法.

研究的目的:

• 开发一种用于高精度WSI匹配的多尺寸引导匹配方法.
• 解决WSI匹配的挑战,包括染色变化和低可见性.
• 提高匹配大规模WSIs的准确性和成功率.

主要方法:

• 设计的TDescNet用于学习多尺度纹理深度描述器 (C64和C256),以处理染色变化和低可见性.
• 开发了一个3D环形容器,使用稀疏的关键点来描述大尺寸的WSIs.
• 采用C64,C256和3D环形容器,以进行由几何一致性指导的渐进局部匹配.

主要成果:

• 在4096×4096像素的WSIs中,平均匹配误差为123.48μm,成功率为93.02%.
• 与最先进的方法相比,在匹配准确度方面平均提高了65.52微米.
• 在WSI匹配中成功克服了染色变化和低可见性挑战.

结论:

• 提出的多尺寸引导匹配方法可以实现高保真整片图像匹配.
• 这种方法显著提高了匹配大型WSIs的准确性和可靠性.
• 通过改进的WSI分析,促进了全面的癌症诊断.