基于上下文块建模的端到端乳腺肿瘤分类模型——一种用于图像分类的BiLSTM方法
计算机视觉与模式识别
2021-06-08 v1 人工智能
多媒体
摘要
从事组织病理学全切片图像(WSI)计算分析的研究人员由于每张WSI分辨率巨大，主要诉诸于基于块(patch)的建模。巨大的分辨率使得WSI因计算限制无法直接输入机器学习模型。然而，由于基于块的分析，当前大多数方法未能利用块之间潜在的空间关系。在我们的工作中，我们尝试将这种关系与从特定肿瘤区域提取的块之间基于特征的相关性相整合。对于给定的分类任务，我们使用BiLSTM来建模前向与后向的上下文关系。基于RNN的模型通过允许在深度学习模型中建模可变尺寸图像，消除了序列大小的限制。我们还通过探索用于采样块的不同扫描技术，纳入了空间连续性的影响。为确立我们方法的有效性，我们在两个数据集（显微镜图像与WSI肿瘤区域）上训练和测试了模型。与同期文献比较后，我们在显微镜图像数据集上以90%的准确率取得了更好性能。对于WSI肿瘤区域数据集，我们使用最大投票技术将分类结果与ResNet、DenseNet和InceptionV3等深度学习网络进行比较，取得了84%的最高性能准确率。我们发现，带有CNN特征的BiLSTM在将块建模为端到端图像分类网络方面表现更佳。此外，WSI肿瘤区域的可变维度被用于分类，无需重调尺寸。这表明我们的方法独立于肿瘤图像大小，且能处理大维度图像而不丢失分辨率细节。
引用
@article{arxiv.2106.02864,
title = {An End-to-End Breast Tumour Classification Model Using Context-Based Patch Modelling- A BiLSTM Approach for Image Classification},
author = {Suvidha Tripathi and Satish Kumar Singh and Hwee Kuan Lee},
journal= {arXiv preprint arXiv:2106.02864},
year = {2021}
}
备注
36 pages, 5 figures, 9 tables. Published in Computerized Medical Imaging and Graphics