RegWSI: Whole Slide Image Registration using Combined Deep Feature- and Intensity-Based Methods: Winner of the ACROBAT 2023 Challenge

自动注册不同染色的全幅切片图像对于通过融合来自不同可见结构的互补信息来改善诊断和预后至关重要。它还有助于在连续或重新染色的切片之间快速传输注释，从而显着减少注释时间和相关成本。然而，每种染料的切片制备不同，组织经历了复杂和大的变形。因此，科学界和专门从事数字病理学的医院非常需要一种强大，高效和准确的注册方法。我们提出了一种两步混合方法，包括（i）基于深度学习和特征的初始对齐算法，以及（ii）使用实例优化的基于强度的非刚性配准。所提出的方法不需要对特定数据集进行微调，可以直接用于任何所需的组织类型和染色。该方法在ACROBAT 2023挑战赛中获得了第一名。我们使用三个开放数据集进行评估：（i）ANHIR，（ii）ACROBAT和（iii）HyReCo，并进行了几项消融研究，涉及用于配准的分辨率以及初始对齐的稳健性和稳定性。该方法在ACROBAT数据集中实现了最准确的结果，对于来自HyReCo数据集的重新染色幻灯片的细胞级配准精度很高，并且在ANHIR数据集上评估的最佳方法之一。该方法不需要对新数据集进行微调，可以直接用于其他类型的显微镜图像。该方法已纳入DeeperHistReg框架，使其他人可以直接使用它来注册，转换和保存任何所需金字塔级别的WSI。所提出的方法对WSI注册是一个重要的贡献，从而推进了数字病理学领域的发展。

提出一种解决数字病理学中不同染色全切片图像自动注册的方法，以提高诊断和预测的准确性，同时减少注释时间和相关成本。

提出了一个两步骤混合方法，包括深度学习和特征提取的初始对齐算法以及基于强度的非刚性配准，使用实例优化。该方法不需要针对特定数据集进行微调，并且可以直接用于任何所需的组织类型和染色。

在三个公开数据集上进行了评估，并进行了多项消融研究，证明了该方法在ACROBAT数据集上具有最准确的结果，在HyReCo数据集上实现了细胞级别的配准准确性，并在ANHIR数据集上排名靠前。该方法不需要对新数据集进行微调，可以直接用于其他类型的显微图像。该方法已经整合到DeeperHistReg框架中，使其他人可以直接使用它来注册、转换和保存任何所需的金字塔级别的WSI。

最近的相关研究包括：“A Deep Learning Framework for Whole Slide Image Registration”和“Registration of multi-region whole slide images using a multi-task convolutional neural network”等。