Нейросетевой метод детектирования размытия на гистологических изображениях

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В работе рассматривается задача обнаружения размытых областей на полнослайдовых гистологических изображениях высокого разрешения. Предлагаемый метод основан на использовании нейронного оператора Фурье, обучаемого на результатах двух одновременно использованых подходов: обнаружения размытия с помощью многомасштабного анализа коэффициентов дискретного косинусного преобразования и оценки степени резкости границ объектов на изображении. Эффективность алгоритма подтверждена на изображениях из наборов данных PATH-DT-MSU [1] и FocusPath [2].

Полный текст

Доступ закрыт

Об авторах

Г. С. Назаренко

Московский государственный университет имени М.В. Ломоносова

Автор, ответственный за переписку.
Email: s02190303@gse.cs.msu.ru
Россия, Москва

А. С. Крылов

Московский государственный университет имени М.В. Ломоносова

Email: kryl@cs.msu.ru
Россия, Москва

Список литературы

  1. Khvostikov, A., Krylov A., Mikhailov I., Malkov P. Visualization and Analysis of Whole Slide Histological Images // Lecture Notes in Computer Science. 2023. V. 13644. Р. 403–413.
  2. Hosseini M., Zhang Y., Plataniotis K. Encoding visual sensitivity by maxpol convolution filters for image sharpness assessment // IEEE Transactions on Image Processing. 2019. V. 28. Р. 4510–4525.
  3. Taqi S.A., Sami S.A., Sami L.B., Zaki S.A. A review of artifacts in histopathology // Journal of oral and maxillofacial pathology: JOMFP. 2018. V. 22. P. 279–287.
  4. Priego-Torres B.M., Sanchez-Morillo D., Fernandez-Granero M.A., Garcia-Rojo M. Automatic segmentation of whole-slide H&E stained breast histopathology images using a deep convolutional neural network architecture // Expert Systems With Applications. 2020. V. 151. P. 113387.
  5. Kanwal N., Perez-Bueno F., Schmidt A., Engan K., Molina R. The devil is in the details: Whole slide image acquisition and processing for artifacts detection, color variation, and data augmentation: A review // IEEE Access. 2022. V. 10. Р. 58821.
  6. Janowczyk A. et al. HistoQC: an open-source quality control tool for digital pathology slides // JCO clinic. cancer informatics. 2019. V. 3. P. 1–7.
  7. Albuquerque T., Moreira A., Cardoso J. Deep ordinal focus assessment for whole slide images // Proceedings of the IEEE/CVF ICCV. 2021. Р. 657–663.
  8. Senaras C., Niazi M., Lozanski G., Gurcan M. DeepFocus: detection of out-of-focus regions in whole slide digital images using deep learning // PloS one. 2018. V. 13. Р. e0205387.
  9. Kohlberger T., Liu Y., Moran M. et al. Whole-slide image focus quality: Automatic assessment and impact on ai cancer detection // Journal of pathology informatics. 2019. V. 10. Р. 39.
  10. Wang Z., Hosseini M., Miles A., Plataniotis K., Wang Z. Focuslitenn: High efficiency focus quality assessment for digital pathology. MICCAI. Springer International Publishing, 2020. P. 403–413.
  11. Kanwal N. et al. Are you sure it’s an artifact? Artifact detection and uncertainty quantification in histological images // Computerized Medical Imaging and Graphics. 2024. V. 112. P. 102321.
  12. Faroughi S., Pawar N., Fernandes C. et al. Physics-guided, physics-informed, and physics-encoded neural networks in scientific computing // arXiv preprint. arXiv:2211.07377, 2022.
  13. Li Q., Liu X., Han K., Guo C., Jiang J., Ji X., Wu X. Learning to autofocus in whole slide imaging via physics-guided deep cascade networks // Optics Express. 2022. V. 30. Р. 14319–14340.
  14. Alireza Golestaneh S., Karam L. Spatially-varying blur detection based on multiscale fused and sorted transform coefficients of gradient magnitudes // Proceedings of ICPR. 2017. Р. 5800–5809.
  15. Kumar J., Chen F., Doermann D. Sharpness estimation for document and scene images // Proceedings of ICPR. 2012. Р. 3292–3295.
  16. Langelaar G.C., Setyawan I., Lagendijk R.L. Watermarking digital image and video data. A state- of-the-art overview // IEEE Signal processing magazine. 2000. V. 17. No. 5. Р. 20–46.
  17. Shi J., Xu L., Jia J. Discriminative blur detection features // Proceedings of ICPR. 2014. Р. 2965–2972.
  18. Yan Q., Xu L., Shi J., Jia J. Hierarchical saliency detection // Proceedings of ICPR. 2013. Р. 1155–1162.
  19. Gastal E., Oliveira M. Domain transform for edge-aware image and video processing // ACM SIGGRAPH. 2011. Р. 1–12.
  20. Ferzli R., Karam L.J. A no-reference objective image sharpness metric based on the notion of just noticeable blur (JNB) // IEEE transactions on image processing. 2009. V. 18. No. 4. Р. 717–728.
  21. Назаренко Г., Насонов А., Крылов А. Метод поиска областей размытия на гистологических изображениях. Proceedings of the 33nd International Conference on Computer Graphics and Vision. М.: ИПМ им. М.В. Келдыша РАН, 2023. С. 598–608. https://doi.org/10.20948/graphicon-2023-620-632
  22. Yuki Mochizuki Normalize image brightness. https://cvtech.cc/std/
  23. Li Z., Kovachki N., Azizzadenesheli K., Liu B., Bhattacharya K., Stuart A., Anandkumar A. Fourier neural operator for parametric partial differential equations // arXiv preprint. arXiv:2010.08895, 2020.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. График отсортированных по возрастанию абсолютных значений коэффициентов ДКП для размытых и четких фрагментов гистологических изображений

Скачать (187KB)
Метаданные
3. Рис. 2. Иллюстрация коэффициентов ДКП для блока при их разделении на группы соответствия различным частотам

Скачать (114KB)
Метаданные
4. Рис. 3. Визуализация карты размытия для гистологического изображения с отмеченными красным областями размытия

Скачать (668KB)
Метаданные
5. Рис. 4. График пороговых значений SI(V)

Скачать (80KB)
Метаданные
6. Рис. 5. Общий алгоритм работы классического метода

Скачать (110KB)
Метаданные
7. Рис. 6. Архитектура нейронного оператора Фурье

Скачать (165KB)
Метаданные
8. Рис. 7. Визуализация детекций размытия

Скачать (173KB)
Метаданные

© Российская академия наук, 2024