From Traditional to Deep Learning Approaches in Whole Slide Image Registration: A Methodological Review
作者: Behnaz Elhaminia, Abdullah Alsalemi, Esha Nasir, Mostafa Jahanifar, Ruqayya Awan, Lawrence S. Young, Nasir M. Rajpoot, Fayyaz Minhas, Shan E Ahmed Raza
发布时间: 2025-02-28
来源: arxiv
研究方向: 全切片图像注册（WSI Registration）
主要内容
本文对全切片图像注册技术进行了全面的回顾，重点关注了从传统方法到深度学习方法的应用。文章讨论了WSI注册的挑战、现有方法、数据集、软件和工具，并提出了未来研究方向。
主要贡献
1. 对全切片图像注册技术进行了全面的回顾，涵盖了从传统方法到深度学习方法的各种技术。
2. 分析了WSI注册的挑战，包括图像尺寸、染色差异、结构变化和伪影等。
3. 总结了现有方法，包括基于强度、特征、频域和点集的方法。
4. 介绍了深度学习方法，包括特征提取、参数估计和生成模型。
5. 讨论了数据集、软件和工具，并提出了选择和评估指标的建议。
6. 提出了未来研究方向，包括改进算法、多切片注册、伪影处理和评估指标等。
研究方法
1. 基于强度的注册方法，如归一化梯度场（NGF）和互信息（MI）。
2. 基于特征的方法，如尺度不变特征变换（SIFT）和快速鲁棒特征（SURF）。
3. 基于频域的方法，如相位相关。
4. 基于点集的方法，如迭代最近点（ICP）和一致点漂移（CPD）。
5. 深度学习方法，包括卷积神经网络（CNN）、生成对抗网络（GAN）和循环GAN（CycleGAN）。
实验结果
文章没有进行具体的实验结果分析，而是对现有方法进行了总结和讨论。
未来工作
未来研究方向包括改进算法、多切片注册、伪影处理和评估指标等。具体包括： - 开发鲁棒的WSI注册算法，能够处理变形和非刚性变换、缺失数据等。 - 开发多切片注册框架，能够处理来自不同显微镜的数据。 - 开发能够有效处理伪影的注册方法。 - 开发通用的评估指标，能够准确和公平地评估所有模型。 - 改进预处理和预对齐技术。 - 开发新的基准数据集，包括各种组织类型、染色方法和成像条件。 - 开发新的深度学习模型，能够超越传统方法并进一步提高性能。