[论文解读] Blind deblurring for microscopic pathology images using deep learning networks

Cheng Jiang, Jun Liao+7 more|arXiv (Cornell University)|Nov 24, 2020

Advanced Image Processing Techniques参考文献 24被引用 6

一句话总结

本文提出了一种基于深度学习的显微病理图像盲去模糊方法，可自动识别模糊类型，并利用两个编码器-解码器网络在不依赖模糊特征先验知识的情况下恢复图像清晰度。该方法实现了无伪影的去模糊，并显著提升了在多种病理标本上的下游AI诊断准确率。

ABSTRACT

Artificial Intelligence (AI)-powered pathology is a revolutionary step in the world of digital pathology and shows great promise to increase both diagnosis accuracy and efficiency. However, defocus and motion blur can obscure tissue or cell characteristics hence compromising AI algorithms'accuracy and robustness in analyzing the images. In this paper, we demonstrate a deep-learning-based approach that can alleviate the defocus and motion blur of a microscopic image and output a sharper and cleaner image with retrieved fine details without prior knowledge of the blur type, blur extent and pathological stain. In this approach, a deep learning classifier is first trained to identify the image blur type. Then, two encoder-decoder networks are trained and used alone or in combination to deblur the input image. It is an end-to-end approach and introduces no corrugated artifacts as traditional blind deconvolution methods do. We test our approach on different types of pathology specimens and demonstrate great performance on image blur correction and the subsequent improvement on the diagnosis outcome of AI algorithms.

研究动机与目标

• 解决数字病理图像中因对焦和运动模糊导致的AI诊断性能下降问题。
• 开发一种端到端的深度学习框架，实现无需事先知晓模糊类型或程度的去模糊。
• 消除传统盲反卷积方法中常见的波纹状伪影。
• 通过图像恢复提升AI算法在分析病理组织图像时的准确性和鲁棒性。
• 在多种病理标本和临床场景中验证该方法的有效性。

提出的方法

• 训练一个深度学习分类器，首先识别输入图像中存在的模糊类型。
• 训练两个独立的编码器-解码器卷积神经网络用于去模糊，可独立使用或组合使用。
• 该方法以端到端方式运行，直接将模糊图像映射为清晰的去模糊输出。
• 该架构避免引入波纹状伪影，这是经典盲反卷积技术中的常见问题。
• 模型在具有多种模糊类型和染色条件的多样化显微病理图像上进行训练。
• 该方法无需真实模糊核或显式模糊建模，从而实现真正的盲去模糊。

实验结果

研究问题

• RQ1 深度学习模型能否在无先验知识的情况下有效识别显微病理图像中的模糊类型？
• RQ2 端到端的深度学习框架能否从模糊的病理图像中恢复出精细的组织和细胞细节？
• RQ3 所提出的方法是否在减少伪影和保持图像质量方面优于传统盲反卷积方法？
• RQ4 去模糊在多大程度上提升了下游AI诊断模型在病理图像上的性能？
• RQ5 该方法能否在不同组织类型、染色方法和成像条件下实现良好泛化？

主要发现

• 所提方法能够以高准确率成功识别模糊类型，从而实现针对性的去模糊策略。
• 去模糊后的图像相比原始模糊输入，显著增强了细微细节和结构清晰度。
• 该方法避免引入波纹状伪影，这是经典盲反卷积方法的关键局限。
• 去模糊显著提升了下游AI模型在病理图像上的诊断准确率。
• 该方法在多种病理标本和染色方案中表现出强大的泛化能力。
• 端到端训练框架实现了有效的盲去模糊，且无需模糊核标注。