[论文解读] SlideRunner - A Tool for Massive Cell Annotations in Whole Slide Images

Marc Aubreville, Christof Bertram+2 more|arXiv (Cornell University)|Feb 7, 2018

Cell Image Analysis Techniques参考文献 10被引用 10

一句话总结

SlideRunner 是一款开源的交互式工具，用于对全切片组织学图像进行高通量、多专家标注，通过一键标签化和引导式筛查实现快速、盲评的细胞标注。它显著加快了有丝分裂象检测的标注速度——将每标签的平均标注时间减少至 2.0–2.6 秒，同时通过多标注者共识支持课程学习，并提升深度学习应用的数据质量。

ABSTRACT

Large-scale image data such as digital whole-slide histology images pose a challenging task at annotation software solutions. Today, a number of good solutions with varying scopes exist. For cell annotation, however, we find that many do not match the prerequisites for fast annotations. Especially in the field of mitosis detection, it is assumed that detection accuracy could significantly benefit from larger annotation databases that are currently however very troublesome to produce. Further, multiple independent (blind) expert labels are a big asset for such databases, yet there is currently no tool for this kind of annotation available. To ease this tedious process of expert annotation and grading, we introduce SlideRunner, an open source annotation and visualization tool for digital histopathology, developed in close cooperation with two pathologists. SlideRunner is capable of setting annotations like object centers (for e.g. cells) as well as object boundaries (e.g. for tumor outlines). It provides single-click annotations as well as a blind mode for multi-annotations, where the expert is directly shown the microscopy image containing the cells that he has not yet rated.

研究动机与目标

• 解决数字病理学中的关键瓶颈：全切片图像中罕见或复杂细胞类型（如有丝分裂象）标注耗时且通量低的问题。
• 通过盲评共识实现高质量、多标注者的标注，以减少观察者间差异并提高真实标签的可靠性。
• 开发用户友好、交互式的工具，支持快速一键标注和引导式筛查，确保图像覆盖完整。
• 构建大规模、高质量的标注数据库，为训练稳健的组织病理学深度学习模型提供支持。
• 通过专家意见分歧分析，识别典型样本与困难样本，支持课程学习。

提出的方法

• SlideRunner 采用双模式界面：标准标注模式用于直接标注，盲评模式则隐藏先前标注者的标签，确保专家独立评估。
• 其发现模式可自动呈现未标注的图像区域，减少导航时间并提高标注通量。
• 引导式筛查模式通过基于网格的切片分割，结合阈值化和形态学操作排除空白区域，系统性地呈现含组织的视野供审查。
• 标注数据以多种坐标形式（如点或多边形）和多个标注者对同一对象的标签形式存储，支持共识分析与难度评估。
• 工具支持基于点击的标注（如细胞中心）和基于边界绘制的标注（如肿瘤轮廓），采用拖拽或单击操作。
• 数据库模型将每个标注与其空间坐标、创建顺序及每位标注者的类别标签一同存储，支持对观察者间差异的详细分析。

实验结果

研究问题

• RQ1 盲评、多标注者标注系统是否能减少全切片图像分析中的观察者间差异并提高标签可靠性？
• RQ2 与自由导航相比，引导式筛查和发现模式在多大程度上提升了标注速度和完整性？
• RQ3 SlideRunner 的时间效率与现实世界中病理医生工作流程中的传统标注方法相比如何？
• RQ4 SlideRunner 的多标注者共识数据是否可通过识别典型与模糊细胞实例，支持课程学习？
• RQ5 标注模式（引导式 vs. 自由）对单张切片中检测到的有丝分裂象总数有何影响？

主要发现

• 两位病理医生首次标注的平均时间为每标签 6.6 秒和 6.3 秒，第二次标注时间降至 2.0 秒和 2.6 秒，表明学习效应显著，效率大幅提升。
• 加权 Cohen’s kappa 值为 0.815，表明两位病理医生在细胞类型分类上达成高度一致，最大分歧出现在清晰类别与模糊类别之间。
• 与手动自由导航相比，引导式筛查使有丝分裂象检测数量提升 90%（4,233 vs. 2,252），表明其完整性和漏检率显著改善。
• 该工具成功构建了一个双人标注、大规模的犬类肥大细胞肿瘤切片数据库，包含超过 71,000 个标注，为机器学习训练提供了高质量支持。
• 盲评标注模式有效支持独立标注，隐藏类别标签可防止偏倚，实现可靠的共识估计。
• 系统通过按需加载和高效的数据结构处理超大尺寸全切片图像，支持在病理学工作流中实现可扩展的现实世界部署。