用于前列腺癌全切片组织图像分类的对抗域适应
计算机视觉与模式识别
2018-06-08 v2
摘要
组织病理学组织切片 Gleason 分级的自动且准确对于前列腺癌的诊断、治疗和预后至关重要。通常，由于组织制备和染色流程不同，来自不同机构的水病理学组织切片呈现出异质外观，因此从一个域学到的可预测模型可能无法直接应用于新域。此处我们提出采用无监督域适应，将源域获得的判别性知识迁移至目标域，而无需目标域图像标注。该适应通过对抗训练寻找不变特征空间，并配合在目标域上提出的 Siamese 架构以增加适用于全切片图像的正则化项来实现。我们在两个前列腺癌数据集上验证了该方法，与基线模型相比获得了 Gleason 评分的显著分类提升。
引用
@article{arxiv.1806.01357,
title = {Adversarial Domain Adaptation for Classification of Prostate Histopathology Whole-Slide Images},
author = {Jian Ren and Ilker Hacihaliloglu and Eric A. Singer and David J. Foran and Xin Qi},
journal= {arXiv preprint arXiv:1806.01357},
year = {2018}
}
备注
Accepted to MICCAI 2018