深圳大学【中一区TOP】:走向稳健的组织病理学成像:用于伪影检测、定位和修复的无监督框架

点击“医工影像技术研究”关注公众号，获取医学相关最新资讯

【简介】

【全文链接】

【亮点】

核心贡献有三个方面：

• 我们提出了一种非监督伪影检测和定位算法，该算法将核因子生成的异常热图与非监督语义分割相结合，实现了面片级别的检测和像素级的定位。该算法只需要正常样本，可以推广到各种伪影类型；

• 我们分析不同特征抽取器如何影响伪影灵敏度和定位精度，揭示了模型体系结构和组织病理学特定的先验在无监督组织病理学图像处理中的关键作用；

• 我们构建了一条涵盖文物检测、定位和修复的自动化流水线。该管道通过合成人工制品、真实世界人工制品和下游任务进行评估，展示了组织病理图像中人工制品的稳健解决方案。

【研究背景】

基于计算机辅助诊断(CAD)系统的数字病理图像分析已成为现代病理学的核心研究热点。广泛的研究表明，人工智能(AI)算法可以有效地执行检测、分割和诊断等计算病理学任务。然而，组织处理和载玻片扫描可能会引入伪影(例如，折叠、气泡、墨水和聚焦误差)，从而降低图像质量。病理学家通常可以容纳较小的伪影，但这些会降低CAD的性能。因此，移除或恢复伪影区域对于增强CAD系统的稳健性至关重要(Brixtel等人，2022)。

在临床实践中，重新准备和重新扫描整个幻灯片图像(WSIS)可以解决伪影问题，但会产生大量的时间和人力成本。因此，人工智能驱动的人工产物检测和恢复技术引起了越来越多的关注。现有的研究已经开发了用于组织病理学图像的多种伪影检测策略，通常丢弃伪影区域以促进CAD系统的实施。然而，大多数含有不影响病理诊断的微小伪影的标本在诊断上仍然有效；大规模丢弃不可避免地会造成有价值的信息损失。随着生成性人工智能在医学成像中的应用，最近的研究试图将CycleConsistent生成性对抗网络和去噪扩散概率模型(DDPM)应用于组织病理伪影恢复。然而，这些尝试通常需要像素级的注释数据来进行训练，这限制了它们的应用能力，特别是对于分布外(OOD)数据。

在这种情况下，我们提出了一个完全无监督的组织病理学图像伪影修复框架，包括伪影检测、定位和恢复，如图1所示。技术流水线包括：(1)伪影检测：利用来自组织病理学基础模型Prov-GigaPath的预训练特征，我们使用无监督投影模型，归一化流(NF)，以生成斑块级伪影得分以及像素级异常热图。(2)伪影定位：利用无监督语义分割的异常热图，生成精确的像素级二值伪影模板。(3)伪像修复：我们通过DDPM实现掩模引导的图像修复。

【图文】

在此背景下，我们提出了完全无监督的组织病理学图像伪影修复框架，含伪影检测、定位和修复，如图1所示。

图1. 组织病理学图像中伪影的自动化工作流程概述，包括斑块级伪影检测、像素级伪影定位和修复。

图2. 详细说明所提出的方案：(A)利用正态样本的特征来训练神经网络模型，以学习正态分布映射函数。(B)对于每个测试样本，计算潜在变量𝑧的负对数似然，并使用阈值𝜏来确定伪影的存在。(C)使用轻量级卷积模块执行无监督语义分割。通过比较超像素细化前后的分割结果，迭代优化模型，生成多个候选区域。然后基于异常热图选择最佳掩模。(D)使用DDPM基于输入图像和伪像掩模执行掩模引导恢复，从而产生无伪像图像。

图3. 伪影定位中合成数据异常热图的ROC曲线。组织病理学预训练模型Prov-GigaPath*可在所有阈值上实现最佳结果。

图4. 合成数据上异常热图的可视化结果。ImageNet预先训练的模型Cait和Deit对伪影边缘很敏感，但往往无法捕捉到完整的伪影结构，并将较高的概率分配给周围的正常区域。组织病理学预先训练的模型Prov-GigaPath*展示了所有人工制品类型的更高准确性。

图5. 合成数据上伪影定位的可视化结果。除了气泡内的微小异常外，我们的方法对所有伪影类型都取得了令人满意的结果。

图6. 合成数据恢复的可视化。如箭头所示，一些方法产生具有明显伪影和人工图案的图像。相比之下，我们的方法保留了更多的正常区域，产生了更自然的恢复结果。

图7. 真实世界数据中人工产物定位结果的可视比较。与竞争方法相比，我们的方法可以更精确地定位目标区域。

图8. 真实世界数据中人工产物修复结果的可视比较。用我们的方法修复比用CycleGan的修复更自然。

图9. WSI中伪像定位和修复的可视化。还给出了局部区域的典型例子，包括组织边界和跨越多个补片的伪影。

图10. 跨多个补片的组织边缘和伪影的例子的可视化。该方法能够正确地检测出组织边缘和补片边界上的伪影，但不能检测到补片角点。

图11. 失败情况的例子，包括假阳性、假阴性和重建不良。

【结论】

【声明】

*以上图文版权归原作者所有，如有侵权请联系删除！