[论文解读] Autofocusing technologies for whole slide imaging and automated microscopy

Zichao Bian, Chengfei Guo+7 more|arXiv (Cornell University)|Jun 15, 2020

Image Processing Techniques and Applications参考文献 129被引用 9

一句话总结

本文综述了全玻片成像和自动显微镜中的自动对焦技术，对比了传统的对焦图方法与实时技术（如相位检测、干涉测量和深度学习）。评估了焦点平面确定的方法，强调了在高通量数字病理学系统中吞吐量、准确性和适应性的表现。

ABSTRACT

Whole slide imaging (WSI) has moved digital pathology closer to diagnostic practice in recent years. Due to the inherent tissue topography variability, accurate autofocusing remains a critical challenge for WSI and automated microscopy systems. The traditional focus map surveying method is limited in its ability to acquire a high degree of focus points while still maintaining high throughput. Real-time approaches decouple image acquisition from focusing, thus allowing for rapid scanning while maintaining continuous accurate focus. This work reviews the traditional focus map approach and discusses the choice of focus measure for focal plane determination. It also discusses various real-time autofocusing approaches including reflective-based triangulation, confocal pinhole detection, low-coherence interferometry, tilted sensor approach, independent dual sensor scanning, beam splitter array, phase detection, dual-LED illumination, and deep-learning approaches. The technical concepts, merits, and limitations of these methods are explained and compared to those of a traditional WSI system. This review may provide new insights for the development of high-throughput automated microscopy imaging systems that can be made broadly available and utilizable without loss of capacity.

研究动机与目标

• 为解决由于组织形态差异导致全玻片成像中准确自动对焦的挑战。
• 评估传统对焦图方法及其在吞吐量和对焦点密度方面的局限性。
• 探索可将图像采集与对焦分离的实时自动对焦技术，以提升速度和准确性。
• 比较新兴对焦方法（包括干涉测量、相位检测和深度学习）的技术原理、优势与局限性。
• 为开发高通量、可访问的自动化显微镜系统提供见解，避免性能折衷。

提出的方法

• 综述传统的对焦图扫描方法，该方法在玻片上离散点采集对焦信息，但速度慢且分辨率有限。
• 分析用于确定最佳对焦点平面的对焦度量标准，如方差、拉普拉斯算子和基于梯度的度量。
• 研究实时自动对焦技术：基于反射的三角测量、共聚焦针孔检测、低Coherence干涉测量和倾斜传感器方法。
• 讨论双传感器系统和光束分离器阵列，实现并行对焦与图像采集。
• 评估相位检测与双LED照明技术，以增强深度感知能力和对比度。
• 综述基于深度学习的自动对焦方法，利用卷积神经网络从图像特征预测对焦状态，无需显式对焦度量。

实验结果

研究问题

• RQ1 在组织形态多变的条件下，传统对焦图方法在吞吐量和准确性方面的表现如何？
• RQ2 在速度、精度和硬件复杂性方面，实时自动对焦技术之间存在哪些技术权衡？
• RQ3 对焦度量标准如何影响全玻片成像中自动对焦的可靠性和鲁棒性？
• RQ4 与传统对焦度量标准相比，深度学习在多大程度上可提升自动对焦性能？
• RQ5 当前自动对焦技术在高通量自动化显微镜系统中的实际局限性是什么？

主要发现

• 传统对焦图方法受限于吞吐量低和对焦点密度不足，尤其在厚或不平整的组织切片中更为明显。
• 实时自动对焦技术（如低Coherence干涉测量和相位检测）可实现连续、高速对焦，精度达亚微米级。
• 双传感器和光束分离器阵列系统通过实现并行采集与对焦估计，提升了对焦效率。
• 基于深度学习的自动对焦在减少对手动设计对焦度量的依赖方面展现出潜力，并提高了在多种组织类型中的鲁棒性。
• 将先进自动对焦方法集成到WSI系统中可提升图像质量和吞吐量，支持更广泛地临床应用。
• 尽管技术不断进步，但在速度、准确性和硬件成本之间实现平衡仍具挑战，尤其在资源有限的环境中。