目的高质量的病理切片对人工诊断和计算机辅助诊断至关重要。当前基于图像块的伪影检测方法存在着计算资源消耗巨大以及伪影检测过程的完整性缺失问题。为此,本文提出了一种适用于低倍率病理全切片图像的伪影检测算法WRC_Net(window-row...目的高质量的病理切片对人工诊断和计算机辅助诊断至关重要。当前基于图像块的伪影检测方法存在着计算资源消耗巨大以及伪影检测过程的完整性缺失问题。为此,本文提出了一种适用于低倍率病理全切片图像的伪影检测算法WRC_Net(window-row-col_net)。方法首先,将低倍率的全切片图像输入到ResNet50(residual neural network)网络中,以提取图像的低级特征。随后,这些低级特征被传入特征融合模块,用于聚合来自不同深度和方向的特征。此外,在特征提取模块中,引入了WRC模块,包括WRC注意力和多尺度扩张模块,其能够同时捕捉全局和局部信息,提取多尺度特征,从而增强了特征的表达能力。最后,将融合后的特征传入单一检测头,以获取最终的检测结果。结果在SPDPSD(Shanghai Pudong department of pathology slide dataset)和NCPDCSD(Ningbo clinical pathology diagnosis center slide dataset)两个数据集上,所提方法的平均精度(mean average precision,mAP)分别达到了63.1%和55.0%,与目前主流的目标检测算法相比具有一定竞争力。结论本文提出的病理切片伪影检测算法能够准确识别数字病理切片中的不同种类伪影,为病理图像质量评估提供了一种有效的技术解决方案。展开更多
文摘目的高质量的病理切片对人工诊断和计算机辅助诊断至关重要。当前基于图像块的伪影检测方法存在着计算资源消耗巨大以及伪影检测过程的完整性缺失问题。为此,本文提出了一种适用于低倍率病理全切片图像的伪影检测算法WRC_Net(window-row-col_net)。方法首先,将低倍率的全切片图像输入到ResNet50(residual neural network)网络中,以提取图像的低级特征。随后,这些低级特征被传入特征融合模块,用于聚合来自不同深度和方向的特征。此外,在特征提取模块中,引入了WRC模块,包括WRC注意力和多尺度扩张模块,其能够同时捕捉全局和局部信息,提取多尺度特征,从而增强了特征的表达能力。最后,将融合后的特征传入单一检测头,以获取最终的检测结果。结果在SPDPSD(Shanghai Pudong department of pathology slide dataset)和NCPDCSD(Ningbo clinical pathology diagnosis center slide dataset)两个数据集上,所提方法的平均精度(mean average precision,mAP)分别达到了63.1%和55.0%,与目前主流的目标检测算法相比具有一定竞争力。结论本文提出的病理切片伪影检测算法能够准确识别数字病理切片中的不同种类伪影,为病理图像质量评估提供了一种有效的技术解决方案。
