Equipping Computational Pathology Systems with Artifact Processing Pipelines: A Showcase for Computation and Performance Trade-offs

该文介绍了组织病理学是癌症诊断的黄金标准，但是组织处理过程会产生伪影，最终转移到数字化的玻片图像中，即整张玻片图像（WSIs）。伪影是诊断无关的区域，可能导致错误的深度学习（DL）算法预测。因此，在计算病理学（CPATH）系统中检测和排除伪影对于可靠的自动化诊断至关重要。本文提出了一种混合专家（MoE）方案，用于检测五种显着的伪影，包括损坏的组织、模糊、折叠的组织、气泡和组织学上无关的血液。首先，我们训练独立的二进制DL模型作为专家，以捕捉特定的伪影形态。然后，我们使用融合机制将它们的预测集成起来。我们对最终概率分布应用概率阈值来提高MoE的灵敏度。我们使用两个MoE和两个最先进的深度卷积神经网络（DCNNs）和视觉转换器（ViTs）的多类模型开发了DL管道。基于DCNNs的MoE和基于ViTs的MoE方案表现优于更简单的多类模型，并在来自不同医院和癌症类型的数据集上进行了测试，其中使用DCNNs的MoE产生了最佳结果。所提出的MoE在未见数据上产生86.15％的F1和97.93％的灵敏度分数，相对于使用ViTs的MoE，推理时保留更少的计算成本。MoE的最佳性能伴随着相对较高的计算权衡而来，而不是多类模型。所提出的伪影检测管道不仅将确保可靠的CPATH预测，还可能提供质量控制。

本论文旨在解决计算病理学系统中的五种常见伪影问题，以提高自动诊断的可靠性。通过提出混合专家方案，利用多个独立的二进制深度学习模型来捕捉特定的伪影形态，并使用融合机制来集成它们的预测。

本论文的关键思路是使用混合专家方案来检测和排除数字化玻片中的伪影，以提高计算病理学系统的诊断准确性。该方案使用多个独立的二进制深度学习模型来捕捉特定的伪影形态，并使用融合机制将它们的预测集成在一起。

本论文使用两种混合专家方案和两种最先进的深度卷积神经网络和视觉变换器的多类模型构建了深度学习管道，并在不同医院和癌症类型的数据集上进行了测试。使用深度卷积神经网络的混合专家方案表现最佳，可以在未见数据上获得86.15%的F1分数和97.93%的敏感性分数。本论文提出的伪影检测管道不仅可以确保可靠的计算病理学预测，还可以提供质量控制。

最近在这个领域中，一些相关研究包括：1.使用深度学习模型来检测数字化玻片中的伪影；2.使用图像处理技术来改善数字化玻片的质量。