基于可解释细胞图集成与非对称协同训练的组织病理图像分类
计算机视觉与模式识别
2023-08-25 v1 人工智能
摘要
卷积神经网络在组织病理图像分类中表现出色，但其像素级关注损害了可解释性。相反，新兴的图卷积网络聚焦于细胞级特征和医学意义。然而，受其浅层结构和高维像素数据利用不佳的限制，GCN（graph convolutional network，图卷积网络）在多类组织病理图像分类中表现欠佳。为动态充分利用像素级和细胞级特征，我们提出了一种非对称协同训练框架，结合深层图卷积网络与卷积神经网络用于多类组织病理图像分类。为通过嵌入细胞的形态学和拓扑分布提升整个框架的可解释性，我们构建了 14 层深层图卷积网络来处理细胞图数据。为进一步利用和动态交互像素级与细胞级信息，我们还设计了一种协同训练策略来整合两个非对称分支。值得注意的是，我们收集了一个称为 LUAD7C 的私有临床采集数据集，包含七种肺腺癌亚型，该数据集稀有且更具挑战性。我们在私有 LUAD7C 和公共结直肠癌数据集上评估了我们的方法，展示了其在多类组织病理图像分类中的优越性能、可解释性和泛化性。
引用
@article{arxiv.2308.12737,
title = {Asymmetric Co-Training with Explainable Cell Graph Ensembling for Histopathological Image Classification},
author = {Ziqi Yang and Zhongyu Li and Chen Liu and Xiangde Luo and Xingguang Wang and Dou Xu and Chaoqun Li and Xiaoying Qin and Meng Yang and Long Jin},
journal= {arXiv preprint arXiv:2308.12737},
year = {2023}
}