[论文解读] SlideNet: Fast and Accurate Slide Quality Assessment Based on Deep Neural Networks

Teng Zhang, Johanna Carvajal+6 more|arXiv (Cornell University)|Mar 20, 2018

AI in cancer detection参考文献 22被引用 3

一句话总结

SlideNet 提出了一种快速、准确的深度学习框架，用于基于轻量级 MobileNet 的密集分类模型，对革兰氏染色组织病理切片进行细粒度的切片质量评估。该框架生成染色质量、信息密度和损伤程度的热图与文本摘要，在 GPU 上实现 170 FPS 的推理速度，准确率达到 86.8%，优于传统的 SVM 方法。

ABSTRACT

This work tackles the automatic fine-grained slide quality assessment problem for digitized direct smears test using the Gram staining protocol. Automatic quality assessment can provide useful information for the pathologists and the whole digital pathology workflow. For instance, if the system found a slide to have a low staining quality, it could send a request to the automatic slide preparation system to remake the slide. If the system detects severe damage in the slides, it could notify the experts that manual microscope reading may be required. In order to address the quality assessment problem, we propose a deep neural network based framework to automatically assess the slide quality in a semantic way. Specifically, the first step of our framework is to perform dense fine-grained region classification on the whole slide and calculate the region distribution histogram. Next, our framework will generate assessments of the slide quality from various perspectives: staining quality, information density, damage level and which regions are more valuable for subsequent high-magnification analysis. To make the information more accessible, we present our results in the form of a heat map and text summaries. Additionally, in order to stimulate research in this direction, we propose a novel dataset for slide quality assessment. Experiments show that the proposed framework outperforms recent related works.

研究动机与目标

• 开发一种用于数字化革兰氏染色涂片切片质量评估的自动化、实时系统。
• 解决现有 CAD 系统中缺乏细粒度、语义化的切片质量评估问题。
• 通过自动检测染色问题、损伤情况以及高倍率分析的最优区域，减少对人工专家评审的依赖。
• 通过向切片制备和扫描系统提供可操作的反馈，支持数字病理学工作流程的全面自动化。
• 构建并发布一个新颖的、公开可用的数据集，用于细粒度切片质量评估。

提出的方法

• 使用小型深度神经网络（MobileNet）作为骨干网络，对整个全切片图像中的细粒度区域进行密集分类。
• 该框架执行像素级分类，生成多个类别（如细菌、细胞、背景）的区域分布直方图。
• 利用这些直方图计算信息密度图，并生成可视化区域重要性的热图。
• 通过经验选定的阈值将区域比例映射到定性标签（如良好/一般/低），自动生成文本摘要。
• 系统在速度和内存使用方面进行了优化，可在标准硬件上实现实时推理。
• 构建并发布了包含 6 幅全切片图像的新数据集，经专家标注了质量属性，用于基准测试。

实验结果

研究问题

• RQ1 深度学习模型能否在细粒度区域分类中实现高精度、实时的组织病理切片区域评估？
• RQ2 轻量级深度神经网络（如 MobileNet）在切片区域分类中的性能与传统手工设计特征方法（如 HOG、colorLBP）相比如何？
• RQ3 自动化切片质量评估（染色、损伤、信息密度）在多大程度上能与专家病理科医生的判断相关？
• RQ4 能否构建一个支持数字病理学工作流中自动化决策的语义化、多维度切片质量评估框架？
• RQ5 构建并发布一个公开可用的、细粒度的切片质量评估数据集是否可行，以激发未来研究？

主要发现

• SlideNet 使用 MobileNet-224 骨干网络在细粒度区域分类中达到 86.8% 的准确率，显著优于 HOG+SVM（45.3%）和 colorLBP+SVM（51.2%）。
• 系统在 GPU 上运行速度达 170 FPS，在 CPU 上为 10 FPS，证明其具备临床部署所需的实时性能。
• 主观评估显示，SlideNet 预测与六张测试切片的专家病理科医生判断之间达成 77.8% 的一致性。
• 该框架成功生成了可解释的热图与文本摘要，准确反映了染色、损伤和信息密度等关键切片质量属性。
• 所提出的包含 6 幅全切片图像及细粒度标注的数据集已公开发布，可支持未来切片质量评估研究。
• SlideNet 能够向切片制备系统提供自动化反馈，例如请求重制低质量切片，或优先处理高价值区域进行高倍率扫描。