一种用于全切片图像肿瘤分割的双分支自监督表示学习框架
计算机视觉与模式识别
2024-06-10 v1
摘要
有监督深度学习方法凭借大规模且标注良好的数据集在医学图像分析中取得了可观的成功。然而，由于全切片图像（WSIs）具有十亿像素级尺寸，为组织病理学中的 WSI 创建此类数据集是一项具有挑战性的任务。近年来，自监督学习（SSL）已成为减少 WSI 中标注开销的替代方案，因为它不需要标签进行训练。然而，这些 SSL 方法并非为处理多分辨率 WSI 而设计，这限制了它们在判别性图像特征学习上的性能。在本文中，我们提出了一种用于 WSI 肿瘤分割的双分支 SSL 框架（DSF-WSI），能够有效从多分辨率 WSI 中学习图像特征。我们的 DSF-WSI 连接两个分支并以自监督方式联合学习低分辨率和高分辨率 WSI。此外，我们引入了新颖的上下文-目标融合模块（CTFM）和掩码拼图前置任务来对齐所学的多分辨率特征。进一步，我们设计了密集 SimSiam 学习（DSL）策略以最大化 WSI 不同视图的相似性，使所学表示更高效且更具判别性。我们使用两个公开数据集在乳腺癌和肝癌分割任务上评估了我们的方法。实验结果表明，我们的 DSF-WSI 能有效提取鲁棒且高效的特征表示，并通过后续的微调与半监督设定进行了验证。我们提出的方法取得了优于其他 SOTA 方法的精度。代码见 https://github.com/Dylan-H-Wang/dsf-wsi。
引用
@article{arxiv.2303.11019,
title = {A Dual-branch Self-supervised Representation Learning Framework for Tumour Segmentation in Whole Slide Images},
author = {Hao Wang and Euijoon Ahn and Jinman Kim},
journal= {arXiv preprint arXiv:2303.11019},
year = {2024}
}