一种用于膀胱癌分级的组织病理图像自学习新框架
图像与视频处理
2021-06-28 v1 计算机视觉与模式识别
机器学习
摘要
近来，膀胱癌在发病率与死亡率上均显著上升。目前根据肿瘤生长已知有两种亚型：非肌层浸润性（NMIBC）与肌层浸润性膀胱癌（MIBC）。本工作关注 MIBC 亚型，因其预后最差且可扩散至邻近器官。我们提出一种自学习框架，用于对已通过免疫组化技术染色的组织学图像进行膀胱癌分级。具体而言，我们提出一种新颖的深度卷积嵌入注意力聚类（DCEAC），其可根据文献确立的模式将组织学图像块分类为疾病的不同严重程度等级。所提 DCEAC 模型遵循两步全无监督学习方法，以从 512x512 像素高分辨率样本中区分非肿瘤、轻度与浸润性模式。我们的系统通过引入卷积注意力模块超越了以往基于聚类的方法，该模块可在分类阶段前精炼潜空间特征。所提网络在不同指标上超出最先进方法 2-3%，在多类场景中取得 0.9034 的最终平均准确率。此外，所报告的类激活图证明，我们的模型能够在无需事先标注的情况下自行学习临床医生认为相关的相同模式。这一事实构成了肌层浸润性膀胱癌分级中的突破，缩小了与在标注数据上训练模型的差距。
引用
@article{arxiv.2106.13559,
title = {A Novel Self-Learning Framework for Bladder Cancer Grading Using Histopathological Images},
author = {Gabriel García and Anna Esteve and Adrián Colomer and David Ramos and Valery Naranjo},
journal= {arXiv preprint arXiv:2106.13559},
year = {2021}
}