Lernen von Interessensregionen aus Niedrigstufen-Karten in der virtuellen Mikroskopie

Die virtuelle Mikroskopie kann den Arbeitsablauf moderner Pathologielabore verbessern, ein Ziel, das durch die große Größe der virtuellen Dias (VS) begrenzt ist. Kürzlich hat sich gezeigt, dass die Bestimmung der Interessensregionen nützlich für Navigations- und Komprimierungsaufgaben ist. Diese Arbeit stellt eine neuartige Methode zur Festlegung von RoIs in VS vor, die auf einem Relevanzscore basiert, der aus Beispielbildern berechnet wird, die von Pathologen ausgewählt wurden. Der Prozess beginnt damit, dass die Virtuelle Folie (VS) in ein Raster von Blöcken unterteilt wird, die jeweils durch eine Menge von Niedrigstufenmerkmalen repräsentiert werden, die darauf abzielen, die grundlegenden visuellen Eigenschaften, nämlich Farbe, Intensität, Orientierung und Textur, zu erfassen. Der Experte wählt dann zwei Blöcke aus, d.h. eine typische relevante (irrelevante) Instanz. Verschiedene Ähnlichkeits- (Unähnlichkeits-) Karten werden dann konstruiert, wobei diese positiven (negativen) Beispiele verwendet werden. Die erhaltenen Karten werden dann durch einen Normalisierungsprozess integriert, der Karten mit einem globalen Ähnlichkeitsmaximum fördert, das das durchschnittliche lokale Maximum erheblich übersteigt. Jede Bildregion ist somit mit einem zugehörigen Score verbunden, der durch die Anzahl der nächsten positiven (negativen) Blöcke festgelegt wird, wobei jeder Block ebenfalls einen zugehörigen Score hat. Die Bewertung wurde mit 8 VS aus verschiedenen Geweben durchgeführt, durch die eine Gruppe von drei Pathologen navigiert hat. Präzisions-Rückruf-Messungen wurden bei jedem Schritt einer tatsächlichen Navigation berechnet, wobei eine durchschnittliche Präzision von 55% und ein Rückruf von etwa 38% erzielt wurde, als das verfügbare Set von Navigationen verwendet wurde.