一种新的图节点分类基准：从组织学细胞图中学习结构
机器学习
2022-11-14 v1 计算机视觉与模式识别
图像与视频处理
摘要
我们引入了一个新的基准数据集 Placenta，用于一个探索不足领域的节点分类：从胎盘组织学全切片图像中的细胞图预测微解剖组织结构。由于以下几个原因，这个问题对图学习而言极具挑战性。细胞图规模庞大（每张图像超过 100 万个节点），节点特征多样（11 种细胞类型的 64 维特征），类别标签不平衡（9 个类别，占比从数据的 0.21% 到 40.0%），并且细胞群落聚集成大小差异极大的异质分布组织（单一结构从 11 个节点到 44,671 个节点不等）。在此，我们发布了一个数据集，包含来自两张胎盘组织学图像的两个细胞图，总计 2,395,747 个节点，其中 799,745 个具有真实标签。我们展示了 7 种可扩展模型的归纳基准结果，并说明了细胞图的独特性质如何有助于推动新型图神经网络架构的开发。
引用
@article{arxiv.2211.06292,
title = {A New Graph Node Classification Benchmark: Learning Structure from Histology Cell Graphs},
author = {Claudia Vanea and Jonathan Campbell and Omri Dodi and Liis Salumäe and Karen Meir and Drorith Hochner-Celnikier and Hagit Hochner and Triin Laisk and Linda M. Ernst and Cecilia M. Lindgren and Christoffer Nellåker},
journal= {arXiv preprint arXiv:2211.06292},
year = {2022}
}
备注
Last two authors contributed equally. To be published at New Frontiers In Graph Learning, Neurips 2022