使用古典和混合方法在全幻灯片图像中有效地检测组织:TCGA癌症队列的基准
Bogdan Ceachi1, Filip Muresan2, Mihai Trascau1
1Faculty of Automatic Control and Computers, National University of Science and Technology POLITEHNICA Bucharest, 060042 Bucharest, Romania.
Cancers
|September 13, 2025
概括
一种全幻灯片图像分析的新无注释方法显著加快了组织检测. 这种方法有效地预处理病理幻灯片,减少AI在癌症研究中整合AI的计算瓶.
科学领域:
- 数字病理学数字病理学
- 计算生物学 计算生物学
- 人工智能在医学中的应用
背景情况:
- 全幻灯片图像 (WSIs) 对数字病理学至关重要,使得大规模的癌症模式分析成为可能.
- WSI 文物和非组织区域阻碍了人工智能处理,增加了计算成本和错误.
- 精确的组织检测对于WSI管道至关重要,但深度学习方法需要大量的手动注释.
研究的目的:
- 为了对整个幻灯片图像进行缩略图层面的组织检测方法进行比较.
- 评估无注释与监督方法的准确性,速度和效率.
- 引入和验证用于WSI预处理的新型双通混合方法.
主要方法:
- 基准测试Otsu的值,K-Means集群,GrandQC的UNet++,以及没有注释的双通混合方法.
- 使用3322个TCGA全幻灯片图像在九个癌症队列进行评估.
- 基于CPU的平均交叉点 (mIoU),处理速度和计算效率来评估性能.
主要成果:
- 双通方法实现了0.826的高mIoU,与深度学习UNet++模型 (0.871) 相比.
- 在CPU上,双通处理的幻灯片的速度明显快 (0.203秒/幻灯片) 比UNet++ (2.431秒/幻灯片) 快.
- 没有注释的,CPU优化的Double-Pass方法证明了可扩展组织检测的卓越效率.
结论:
- 没有注释的双通管道为WSI预处理中的计算瓶提供了可扩展的解决方案.
- 这种方法促进了高通量分析,使得在病理学中更快,更具成本效益的AI集成成为可能.
- 双通介绍了一种新的,快速的,强大的替代方案,用于监督的组织检测方法在数字病理学.
