Tissue Artifact Segmentation and Severity Analysis for Automated Diagnosis Using Whole Slide Images

要約

従来、病理学的分析と診断は、専門家が顕微鏡下でスライドガラス標本を手動で目視することによって行われてきました。
スライド全体の画像は、スライドガラスから作成されたデジタル標本です。
スライド全体の画像により、コンピュータ画面上で標本を観察できるようになり、コンピュータビジョンと人工知能を自動分析と診断に活用する計算病理学が導入されました。
現在の計算能力の進歩により、スライド画像全体を人間の監視なしで自律的に分析できるようになりました。
ただし、スライド画像全体が組織のひだや気泡などの組織アーチファクトの影響を重症度に応じて受けている場合、解析が失敗したり、誤った診断につながる可能性があります。
既存のアーティファクト検出方法は、アーティファクトの影響を受ける領域を分析から除外するための重大度評価を専門家に依存しています。
このプロセスは時間がかかり、骨の折れる作業であり、重大度を評価せずにアーティファクトを自動分析または削除するという目標を損ない、診断上重要なデータが失われる可能性があります。
したがって、アーティファクトを検出し、その重大度を自動的に評価する必要があります。
本稿では、畳み込みニューラルネットワークを利用したアーティファクト検出と重症度評価を組み込んだシステムを提案する。
提案されたシステムは、DoubleUNet を使用してアーティファクトをセグメント化し、6 つの微調整された畳み込みニューラル ネットワーク モデルのアンサンブル ネットワークを使用して重大度を決定します。
この方法は、アーチファクト セグメンテーションの精度において現在の最新技術を 9% 上回っており、重症度評価については病理医の評価と 97% という強い相関関係を達成しました。
システムの堅牢性は、私たちが提案した異種データセットを使用して実証され、自動分析システムと統合することによって実用的な使いやすさが保証されました。

要約(オリジナル)

Traditionally, pathological analysis and diagnosis are performed by manually eyeballing glass slide specimens under a microscope by an expert. The whole slide image is the digital specimen produced from the glass slide. Whole slide image enabled specimens to be observed on a computer screen and led to computational pathology where computer vision and artificial intelligence are utilized for automated analysis and diagnosis. With the current computational advancement, the entire whole slide image can be analyzed autonomously without human supervision. However, the analysis could fail or lead to wrong diagnosis if the whole slide image is affected by tissue artifacts such as tissue fold or air bubbles depending on the severity. Existing artifact detection methods rely on experts for severity assessment to eliminate artifact affected regions from the analysis. This process is time consuming, exhausting and undermines the goal of automated analysis or removal of artifacts without evaluating their severity, which could result in the loss of diagnostically important data. Therefore, it is necessary to detect artifacts and then assess their severity automatically. In this paper, we propose a system that incorporates severity evaluation with artifact detection utilizing convolutional neural networks. The proposed system uses DoubleUNet to segment artifacts and an ensemble network of six fine tuned convolutional neural network models to determine severity. This method outperformed current state of the art in accuracy by 9 percent for artifact segmentation and achieved a strong correlation of 97 percent with the evaluation of pathologists for severity assessment. The robustness of the system was demonstrated using our proposed heterogeneous dataset and practical usability was ensured by integrating it with an automated analysis system.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google