An overview of the proposed WSI automatic multi-level detection architecture.
제안된 WSI 자동 다단계 탐지 아키텍처에 대한 개요입니다.
0단계)
A WSI is first processed by RoI detection module, and thus the background or the other unimportant areas are removed. For the detected RoI area, image cropping is performed and a series of patches are produced.
WSI는 먼저 RoI 감지 모듈에 의해 처리되므로 배경이나 기타 중요하지 않은 영역이 제거됩니다. 감지된 RoI 영역에 대해 이미지 자르기가 수행되고 일련의 패치가 생성됩니다.
1단계) 양성 WSI와 음성 WSI
Stage-1 WSI-level classification, judging whether the input WSI is benign or malignant, and discarding the negative WSIs.
1단계 WSI 수준 분류, 입력 WSI가 양성인지 악성인지 판단하고 음성 WSI는 폐기합니다.
2단계) Key patch selection, finely classifying each patch in the malignant WSIs and choosing the positive ones as the key patches.
주요 패치 선택, 악성 WSI의 각 패치를 세밀하게 분류하고 양성 패치를 주요 패치로 선택합니다.!
The cropped patches are recognized and combined to conduct WSI-level classification. The selected positive WSI is then cropped and recognized again to choose the key patches.
잘린 패치를 인식하고 결합하여 WSI 수준 분류를 수행합니다. 그런 다음 선택된 양성 WSI를 잘라내고 다시 인식하여 핵심 패치를 선택합니다.
3단계) Finally, the selected positive patches are processed by adversarial CAC-UNet. Segmenting the key patches and stitching them into a complete WSI mask. We adopt DenseNet [40] model for WSI-level classification and multi-model voting for patch-level classification. For the patch segmentation, we designed adversarial CAC-UNet to realize high accuracy segmentation.
마지막으로, 선택된 양성 패치는 적대적 CAC-UNet에 의해 처리됩니다.
주요 패치를 세분화하여 완전한 WSI 마스크로 스티칭합니다. WSI 수준 분류에는 DenseNet [40] 모델을, 패치 수준 분류에는 다중 모델 투표를 채택했습니다. 패치 분할의 경우, 높은 정확도의 분할을 실현하기 위해 적대적 CAC-UNet을 설계했습니다.
