Abstract
提出了一种基于对缩小尺度的WSIs预测的置信度的选择性使用高分辨率处理的方法(SOS),只有在处理不确定情况是才会使用高分辨率进行处理。减少冗余操作。
Introduction
利用卷积神经网络(CNNs)进行补丁级图像处理可以说是千兆像素全幻灯片图像(WSI)分析中应用最广泛的方法
补丁方法的处理时间很长,并且有很多冗余操作。因此有了选择进行高分辨率处理的需求。
选择 作为研究对象,进行SOS操作,是对现实中病理专家进行鉴定的模拟。
提出了一种机制,将高分辨率处理的使用限制在复杂或歧义的情况下。 为此,构建了一个动态的多尺度WSI分类系统,包括三个关键部分:低分辨率网络(LRN); 执行处理单元(EPU); 和高分辨率网络(HRN)。 受人工IIF显微镜中高效筛选技术的启发,尝试从LRN中提取低分辨率特征来分类WSIS。 当在低分辨率下预测的类的概率低于规定的置信度阈值时,EPU触发高分辨率的基于贴片的处理,这就是选择性目标交换(SOS)。
Related Works
Patch-Level Methods
Conclusion
证明了在WSI分类任务中,通过将高分辨率的基于补丁的处理限制在低分辨率下不能自信分类的情况下,可以在不影响精度的情况下减少推理时间。