基于深度特征的视觉词袋（BoVW）——面向小样本乳腺肿瘤数据的块分类模型
计算机视觉与模式识别
2022-02-23 v1
摘要
当前，计算复杂度限制了使用卷积神经网络（CNN）训练高分辨率十亿像素图像。因此，此类图像被划分为块或瓦片。由于这些高分辨率块编码了判别性信息，故CNN在这些块上训练以进行块级预测。然而，块级预测的问题在于病理学家通常在图像级而非块级进行标注。受此限制，多数块可能不含足够类别相关特征。通过本工作，我们尝试将块描述能力纳入深度框架，使用视觉词袋（BoVW）作为一种正则化以提升泛化性。基于该假设，我们旨在构建基于块的分类器以区分四类乳腺活检图像块（正常、良性、原位癌、浸润癌）。任务在于利用CNN融入高质量深度特征以描述图像中相关信息，同时用视觉词袋（BoVW）丢弃无关信息。所提方法将从全切片图像（WSI）和显微图像获得的块通过预训练CNN提取特征。BoVW用作特征选择器从CNN特征中选取最具判别性特征。最后，所选特征集被分类为四类之一。该混合模型在特征提取预训练模型选择上具灵活性。该流程端到端，无需对块预测后处理以选取判别块。我们在BACH-2018挑战数据集上将观察结果与ResNet50、DenseNet169和InceptionV3等SOTA方法比较。所提方法表现优于全部三种方法。
引用
@article{arxiv.2202.10701,
title = {Bag of Visual Words (BoVW) with Deep Features -- Patch Classification Model for Limited Dataset of Breast Tumours},
author = {Suvidha Tripathi and Satish Kumar Singh and Lee Hwee Kuan},
journal= {arXiv preprint arXiv:2202.10701},
year = {2022}
}