Focus Quality Assessment of High-Throughput Whole Slide Imaging in\n Digital Pathology
Notice bibliographique
Résumé
One of the challenges facing the adoption of digital pathology workflows for\nclinical use is the need for automated quality control. As the scanners\nsometimes determine focus inaccurately, the resultant image blur deteriorates\nthe scanned slide to the point of being unusable. Also, the scanned slide\nimages tend to be extremely large when scanned at greater or equal 20X image\nresolution. Hence, for digital pathology to be clinically useful, it is\nnecessary to use computational tools to quickly and accurately quantify the\nimage focus quality and determine whether an image needs to be re-scanned. We\npropose a no-reference focus quality assessment metric specifically for digital\npathology images, that operates by using a sum of even-derivative filter bases\nto synthesize a human visual system-like kernel, which is modeled as the\ninverse of the lens' point spread function. This kernel is then applied to a\ndigital pathology image to modify high-frequency image information deteriorated\nby the scanner's optics and quantify the focus quality at the patch level. We\nshow in several experiments that our method correlates better with ground-truth\n$z$-level data than other methods, and is more computationally efficient. We\nalso extend our method to generate a local slide-level focus quality heatmap,\nwhich can be used for automated slide quality control, and demonstrate the\nutility of our method for clinical scan quality control by comparison with\nsubjective slide quality scores.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».