- Код статьи
- 10.31857/S0132347424030075-1
- DOI
- 10.31857/S0132347424030075
- Тип публикации
- Статья
- Статус публикации
- Опубликовано
- Авторы
- Том/ Выпуск
- Том / Номер выпуска 3
- Страницы
- 67-74
- Аннотация
- В работе рассматривается задача обнаружения размытых областей на полнослайдовых гистологических изображениях высокого разрешения. Предлагаемый метод основан на использовании нейронного оператора Фурье, обучаемого на результатах двух одновременно использованых подходов: обнаружения размытия с помощью многомасштабного анализа коэффициентов дискретного косинусного преобразования и оценки степени резкости границ объектов на изображении. Эффективность алгоритма подтверждена на изображениях из наборов данных PATH-DT-MSU [1] и FocusPath [2].
- Ключевые слова
- гистология глубокое обучение область размытия нейронный оператор Фурье
- Дата публикации
- 17.09.2025
- Год выхода
- 2025
- Всего подписок
- 0
- Всего просмотров
- 20
Библиография
- 1. Khvostikov, A., Krylov A., Mikhailov I., Malkov P. Visualization and Analysis of Whole Slide Histological Images // Lecture Notes in Computer Science. 2023. V. 13644. Р. 403–413.
- 2. Hosseini M., Zhang Y., Plataniotis K. Encoding visual sensitivity by maxpol convolution filters for image sharpness assessment // IEEE Transactions on Image Processing. 2019. V. 28. Р. 4510–4525.
- 3. Taqi S.A., Sami S.A., Sami L.B., Zaki S.A. A review of artifacts in histopathology // Journal of oral and maxillofacial pathology: JOMFP. 2018. V. 22. P. 279–287.
- 4. Priego-Torres B.M., Sanchez-Morillo D., Fernandez-Granero M.A., Garcia-Rojo M. Automatic segmentation of whole-slide H&E stained breast histopathology images using a deep convolutional neural network architecture // Expert Systems With Applications. 2020. V. 151. P. 113387.
- 5. Kanwal N., Perez-Bueno F., Schmidt A., Engan K., Molina R. The devil is in the details: Whole slide image acquisition and processing for artifacts detection, color variation, and data augmentation: A review // IEEE Access. 2022. V. 10. Р. 58821.
- 6. Janowczyk A. et al. HistoQC: an open-source quality control tool for digital pathology slides // JCO clinic. cancer informatics. 2019. V. 3. P. 1–7.
- 7. Albuquerque T., Moreira A., Cardoso J. Deep ordinal focus assessment for whole slide images // Proceedings of the IEEE/CVF ICCV. 2021. Р. 657–663.
- 8. Senaras C., Niazi M., Lozanski G., Gurcan M. DeepFocus: detection of out-of-focus regions in whole slide digital images using deep learning // PloS one. 2018. V. 13. Р. e0205387.
- 9. Kohlberger T., Liu Y., Moran M. et al. Whole-slide image focus quality: Automatic assessment and impact on ai cancer detection // Journal of pathology informatics. 2019. V. 10. Р. 39.
- 10. Wang Z., Hosseini M., Miles A., Plataniotis K., Wang Z. Focuslitenn: High efficiency focus quality assessment for digital pathology. MICCAI. Springer International Publishing, 2020. P. 403–413.
- 11. Kanwal N. et al. Are you sure it’s an artifact? Artifact detection and uncertainty quantification in histological images // Computerized Medical Imaging and Graphics. 2024. V. 112. P. 102321.
- 12. Faroughi S., Pawar N., Fernandes C. et al. Physics-guided, physics-informed, and physics-encoded neural networks in scientific computing // arXiv preprint. arXiv:2211.07377, 2022.
- 13. Li Q., Liu X., Han K., Guo C., Jiang J., Ji X., Wu X. Learning to autofocus in whole slide imaging via physics-guided deep cascade networks // Optics Express. 2022. V. 30. Р. 14319–14340.
- 14. Alireza Golestaneh S., Karam L. Spatially-varying blur detection based on multiscale fused and sorted transform coefficients of gradient magnitudes // Proceedings of ICPR. 2017. Р. 5800–5809.
- 15. Kumar J., Chen F., Doermann D. Sharpness estimation for document and scene images // Proceedings of ICPR. 2012. Р. 3292–3295.
- 16. Langelaar G.C., Setyawan I., Lagendijk R.L. Watermarking digital image and video data. A state- of-the-art overview // IEEE Signal processing magazine. 2000. V. 17. No. 5. Р. 20–46.
- 17. Shi J., Xu L., Jia J. Discriminative blur detection features // Proceedings of ICPR. 2014. Р. 2965–2972.
- 18. Yan Q., Xu L., Shi J., Jia J. Hierarchical saliency detection // Proceedings of ICPR. 2013. Р. 1155–1162.
- 19. Gastal E., Oliveira M. Domain transform for edge-aware image and video processing // ACM SIGGRAPH. 2011. Р. 1–12.
- 20. Ferzli R., Karam L.J. A no-reference objective image sharpness metric based on the notion of just noticeable blur (JNB) // IEEE transactions on image processing. 2009. V. 18. No. 4. Р. 717–728.
- 21. Назаренко Г., Насонов А., Крылов А. Метод поиска областей размытия на гистологических изображениях. Proceedings of the 33nd International Conference on Computer Graphics and Vision. М.: ИПМ им. М.В. Келдыша РАН, 2023. С. 598–608. https://doi.org/10.20948/graphicon-2023-620-632
- 22. Yuki Mochizuki Normalize image brightness. https://cvtech.cc/std/
- 23. Li Z., Kovachki N., Azizzadenesheli K., Liu B., Bhattacharya K., Stuart A., Anandkumar A. Fourier neural operator for parametric partial differential equations // arXiv preprint. arXiv:2010.08895, 2020.
