Deep Blur Multi-Model (DeepBlurMM) — a strategy to mitigate the impact of image blur on deep learning model performance in histopathology image analysis

要約

病理組織全体のスライド画像 (WSI) の AI ベースの分析は、コンピューター病理学の中心です。
ただし、画質はモデルのパフォーマンスに影響を与える可能性があります。
ここでは、WSI のアンシャープ領域が深層畳み込みニューラル ネットワークの分類パフォーマンスにどの程度影響を与えるかを調査します。
我々は、不鮮明な画像領域の影響を軽減し、モデルのパフォーマンスを向上させるために、マルチモデルアプローチ、つまりDeepBlurMMを提案します。
DeepBlurMM はシグマ カットオフを使用して、単一の WSI 内でさまざまなレベルのブラーを持つタイルを予測するための最適なモデルを決定します。シグマはガウス分布の標準偏差です。
具体的には、カットオフにより、タイルがシャープまたはわずかなブラー、中程度のブラー、および高いブラーに分類されます。
各ブラー レベルには、タイル レベルの予測に選択される対応するモデルがあります。
シミュレーション研究全体を通じて、乳がんノッティンガム組織学的グレード 1 と 3 のバイナリ分類タスクにおける DeepBlurMM の適用を実証しました。 5 分割交差検証で評価されたパフォーマンスは、中程度のブラーと混合ブラーの下で DeepBlurMM が基本モデルを上回るパフォーマンスを示しました。
条件。
予測時に画像タイルが不鮮明になると (局所的な不鮮明さ)、モデルのパフォーマンスが低下します。
提案されたマルチモデル アプローチにより、一部の条件下でパフォーマンスが向上し、研究と臨床応用の両方で品質が向上する可能性があります。

要約(オリジナル)

AI-based analysis of histopathology whole slide images (WSIs) is central in computational pathology. However, image quality can impact model performance. Here, we investigate to what extent unsharp areas of WSIs impact deep convolutional neural network classification performance. We propose a multi-model approach, i.e. DeepBlurMM, to alleviate the impact of unsharp image areas and improve the model performance. DeepBlurMM uses the sigma cut-offs to determine the most suitable model for predicting tiles with various levels of blurring within a single WSI, where sigma is the standard deviation of the Gaussian distribution. Specifically, the cut-offs categorise the tiles into sharp or slight blur, moderate blur, and high blur. Each blur level has a corresponding model to be selected for tile-level predictions. Throughout the simulation study, we demonstrated the application of DeepBlurMM in a binary classification task for breast cancer Nottingham Histological Grade 1 vs 3. Performance, evaluated over 5-fold cross-validation, showed that DeepBlurMM outperformed the base model under moderate blur and mixed blur conditions. Unsharp image tiles (local blurriness) at prediction time reduced model performance. The proposed multi-model approach improved performance under some conditions, with the potential to improve quality in both research and clinical applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google