🧬 biology

AI-Based Pipeline for Vascularization Detection in Histological Images; low-cost solution Using Moderate Computing Resources

本文提出了一种低成本、用户友好的 AI 流水线，该流水线将简单的图像处理与交互式自学习相似性搜索方法相结合，使病理学家能够利用适度的计算资源和极少的人工标注，快速且准确地检测组织学图像中的血管化现象。

原作者： Jan Žídek, Bretislav Lipový, Veronika Pavliňáková, Martin Knoz, Jakub Holoubek, David Izsák, Vladimir Váňa, Jan Herudek, Edita Jeklová, Irena Koutná, Zdeněk Pavlovský, Martin Faldyna, Lucy Vojtova

发布于 2026-07-01

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Jan Žídek, Bretislav Lipový, Veronika Pavliňáková, Martin Knoz, Jakub Holoubek, David Izsák, Vladimir Váňa, Jan Herudek, Edita Jeklová, Irena Koutná, Zdeněk Pavlovský, Martin Faldyna, Lucy Vojtova

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

想象一下你是一名病理学家，正对着成千上万张组织显微切片进行观察。你的工作是寻找微小的血管。手工完成这项工作就像是在草堆里寻找特定的针，但这些“针”还在移动，而且你每天都要重复这项工作好几个小时。这既缓慢、令人疲惫，又耗费成本。

这篇论文介绍了一种全新的、低成本的“智能助手”，它能帮助你更快地找到这些血管，而不需要超级计算机或一支昂贵的 AI 专家团队。

以下是该系统的运作方式，分为几个简单的步骤：

1. “预过滤”（清理草堆）

在 AI 开始观察图像之前，系统会进行一些简单的、传统的图像编辑。这就像使用筛子将大石头从沙子中分离出来一样。

问题： 组织切片经过染色处理（棕色代表血管，蓝色代表细胞核）。这些蓝色的点可能会误导计算机，让它以为那是血管。
解决方法： 系统使用一种叫做**边缘检测（Ridge Detection）**的工具（就像一支专门的高光笔），忽略蓝色的点，只专注于看起来像血管的棕色管状形状。这为 AI 提供了一份更干净的“候选名单”供其检查。

2. “智能搜索引擎”（大脑）

与其从头开始教计算机什么是血管（这需要数千个样本和强大的服务器），这个系统使用了一个预训练好的“大脑”，叫做 DINOv2。

类比： 想象 DINOv2 是一位图书管理员，他读过数百万本书，知道“树”、“汽车”或“人脸”是什么样子，但他还没有专门研究过“猪血血管”。
神奇之处： 当系统看到一个候选形状时，它不会试图去猜测。相反，它会将该形状转化为一个独特的“指纹”（数字代码）。然后它会询问图书管理员：“这个指纹看起来像我之前见过的例子吗？”

3. “互动式导师”（在实践中学习）

这是最重要的一部分。系统不仅仅是运行一次就结束了，它会随着你的工作实时学习。

过程： 计算机向你展示一个候选形状，并问道：“这是一个血管吗？”
- 如果你说 “是”（按 'v'），系统会将该指纹作为“血管”保存到它的库中。
- 如果你说 “不是”（按 'a'），它会将其作为“非血管”保存。
结果： 系统使用一种名为 FAISS 的快速搜索工具，将新的形状与你不断增长的库进行即时对比。
- 初期阶段： 库很小，所以计算机可能不太确定。
- 经过几次修正后： 库里充满了你提供的特定示例。计算机变得极其准确，在你仅修正了约 150 个项目后，准确率就达到了 98%。

4. 为什么这与众不同（“低成本”优势）

大多数 AI 工具就像购买一辆定制的赛车：它们需要一个巨大的车库（昂贵的服务器）、一名专业的机械师（AI 专家）和大量的燃料（数千张训练图像）。

这个新工具则像是一辆可靠且省油的自行车：

无需超级计算机： 它可以在标准的台式机甚至游戏笔记本电脑上运行。你不需要租用昂贵的云服务器（虽然作者确实在云服务器上进行了测试，但他们发现普通的电脑也完全可以胜任）。
没有“黑箱”训练： 你不需要等待几天让 AI 去“学习”。它在你点击的同时就能立即学习。
小数据量： 它不需要从数千个例子开始。在仅仅经过几十次修正后，它就能表现得非常好。

实验结果显示

研究人员测试了三种方法：

纯人工： 检查 14,000 个物体需要数月时间。
标准 AI（基于云端）： 达到了 92% 的准确率，但需要昂贵的云服务器和 400 个样本来进行学习。
这种新工具（基于检索）： 仅需 150 个样本即可达到 98% 的准确率，并且可以在普通电脑上运行。

关键局限性： 论文明确指出，该工具的作用是告诉你检测到的物体是否是血管。它并不统计图像中血管的总数。它是一个“是/否”的检测器，而不是计数器。

“训练金律”

论文发现了一个获得最佳结果的惊喜技巧：

不要只针对一张切片进行训练。 如果你只向 AI 展示单张图像中的例子，当它看到颜色或纹理略有不同的新切片时，它会感到困惑。
广泛分布。 最好的结果来自于用户对许多不同图像进行修正（即使每张图像只进行一次或两次修正）。这教会了 AI 识别血管的“概念”，而不仅仅是某一张切片的特定外观。

总结： 这篇论文描述了一种实用且低成本的方法，通过这种方法，你可以将一项枯燥、繁琐的手动工作转变为一个快速、互动的游戏，在这个游戏中，计算机利用标准电脑和极少的数据，随着你的操作实时学习。

技术摘要：基于 AI 的组织学图像血管化检测流水线

问题陈述
组织学标本中血管化的手动评估是伤口愈合和组织反应的关键指标，但目前仍是一个需要大量专家投入且耗时的过程。虽然人工智能（AI）提供了潜在的解决方案，但其实际应用往往受到高昂许可成本、对专业 AI 人员的需求以及对强大计算基础设施（如专用 GPU 服务器）依赖的阻碍。此外，传统的深度学习方法通常需要大规模、全标注的训练数据集，而这些数据的获取成本极高。作者旨在解决开发一种低成本、用户友好且计算效率高的系统，该系统能够在极少人工标注和适度硬件需求的情况下，检测免疫组织化学染色组织中的血管结构。

方法论
所提出的流水线是一个检索增强、人机回环（human-in-the-loop）的系统，旨在标准工作站上运行，无需专门的 GPU 硬件。它由四个逻辑阶段组成：

图像预处理与候选掩模生成：
- 系统采用经典图像处理技术来隔离平滑肌肌动蛋白（SMA）阳性结构。这包括颜色通道分离（隔离蓝色通道以抑制苏木精并强调 DAB 染色）和形态学滤波。
- 通过两种不同的方法生成候选感兴趣区域（ROI）：
  - 脊线检测（Ridge Detection）： 通过 Fiji/ImageJ 插件（基于 Steger 算法）实现，该方法能够增强典型的血管壁特征——细长且具有曲线性的结构。
  - Segment Anything Model (SAM2)： 使用 Meta AI 的零样本（zero-shot）、无需训练的分割模型，用于生成多样化的区域提案，而无需针对特定任务进行重新训练。
- 这些方法生成的二值掩模或候选区域作为特征提取的输入。
区域嵌入（Region Embedding）：
- 每个候选 ROI 被裁剪、归一化，并传递到一个冻结的自监督视觉骨干网络：DINOv2（具体为 dinov2_vits14）。
- 在自然图像上预训练的 DINOv2 作为固定的描述符提取器，将每个 ROI 转换为紧凑的数值向量（嵌入），该向量捕捉了语义和形态特征。不对骨干网络进行进一步的有监督微调。
索引与基于检索的分类：
- 生成的嵌入存储在利用 FAISS（Facebook AI Similarity Search）构建的动态向量索引中。
- 分类通过“检索增强”的少样本策略完成。当呈现新的 ROI 时，系统根据向量相似度从索引中检索前 $k$ 个最近邻。
- 这些最近邻的标签（血管 vs. 人工伪影）用于对新 ROI 的分类进行投票。
交互式人机回环协议：
- 系统实时运行。专家评审员查看检测到的物体，并通过键盘命令提供即时反馈：
  - 'v' 或 'a' 键： 明确将物体标记为血管或人工伪影。这些标签会立即添加到 FAISS 索引中，更新系统的知识库，而无需重新训练底层模型，从而实现对后续图像的更新。
  - 'Enter' 或 's' 键： 用于评估（同意或不同意模型的预测），但不更新训练集。
- 这使得系统能够针对特定的染色模式和边缘情况进行增量式适应。

核心贡献

低成本、低资源部署： 作者证明了在标准台式机或游戏笔记本电脑上即可实现高精度的血管检测，消除了传统深度学习工作流对昂贵云端 GPU 实例或专用服务器的需求。
标注效率： 检索增强方法仅需约 75 次用户辅助识别即可达到高准确率（约 95%），并在 150 次标注后稳定在 98% 左右。这显著少于监督神经网络训练通常所需的数百或数千次标注。
实时适应性： 与需要通过重新训练来吸收新数据的静态模型不同，该系统能从专家的纠正中持续且即时地学习，从而快速适应特定的实验室条件或染色变化。
互补分割： 研究验证了将经典脊线检测（保留连续血管形态）与 SAM2 提案（提供多样化的形状覆盖）相结合，比单一方法能提供更鲁棒的候选集。

结果
研究使用来自猪伤口愈合实验（SMA 染色）的组织学图像对比了三种方法：

全手动标注： 需要一名操作员在 2020 年至 2022 年间对超过 14,000 个物体进行分类。
标准神经网络（基于 Azure）： 一种托管在 Microsoft Azure 上的机器学习工具，在 400 次标注后达到 92% 的准确率，但需要大量的云计算资源，且单次标注会话成本约为 7 欧元。
检索增强系统（DINOv2/FAISS）：
- 在仅 75 次辅助识别后达到 95.4% 的准确率。
- 在 125 次识别后达到 98.2% 的准确率，并在 150 次识别时趋于 98%。
- 在没有专用 GPU 的标准工作站上表现出色。
- 训练策略发现： 研究发现，将训练数据分布在多个图像中（例如，来自 13 幅图像的 26 个物体）比在单幅图像的物体上进行训练能获得更高且更稳定的准确率。此外，在训练集中包含形态模糊的案例，比仅限于无歧义案例的表现更好。

意义与主张
本文声称，这种方法为常规实验室使用提供了一个实用的折衷方案，特别是在专家时间有限且计算资源受限的情况下。通过利用预训练的自监督表示（DINOv2）和高效的相似性搜索（FAISS），该系统绕过了对特定任务训练和大规模数据集的需求。

作者强调，该系统的设计目的是辅助而非取代专家；它将标注负担从数月缩短至数分钟，同时保持与操作员的高度一致性。然而，论文也客观地指出了局限性：

系统将检测到的物体分类为“血管”或“人工伪影”，但并不量化图像中血管的绝对数量。
准确率指标反映的是与特定人类评分者的符合程度；如果评分者存在系统性错误，模型也会复制这些错误。
在被认为具有完全通用性之前，需要在不同染色、不同组织类型和不同实验室之间进行更广泛的验证。

这项工作标志着向医疗成像领域中高效标签学习迈进了一步，证明了自监督嵌入与交互式检索的结合可以有效解决常规病理工作流中的标注约束。