基于多示例学习的乳腺癌组织病理学图像分类与定位
计算机视觉与模式识别
2020-03-03 v1 机器学习
机器学习
摘要
乳腺癌在女性癌症中死亡率最高。随着乳腺癌患者数量增加，利用计算机辅助病理分析显微组织病理学图像进行诊断，可降低诊断成本与延迟。过去十年中，组织病理学中的深度学习因在分类与定位任务上达到最优性能而备受关注。卷积神经网络作为一种深度学习框架，在组织图像分析中取得了卓越结果，但缺乏对决策背后解释与推理的提供。我们旨在通过在组织病理学显微图像上提供定位，来更好地解释分类结果。我们将图像分类问题构建为弱监督多示例学习问题，其中一幅图像是若干图像块（即示例）的集合。基于注意力的多示例学习（A-MIL）从图像中学习图像块的注意力，以定位图像中的恶性与正常区域，并利用它们对图像进行分类。我们在两个公开可用的BreakHIS与BACH数据集上给出了分类与定位结果。分类与可视化结果与其他近期技术进行了比较。所提方法在不牺牲分类精度的前提下取得了更好的定位结果。
引用
@article{arxiv.2003.00823,
title = {Breast Cancer Histopathology Image Classification and Localization using Multiple Instance Learning},
author = {Abhijeet Patil and Dipesh Tamboli and Swati Meena and Deepak Anand and Amit Sethi},
journal= {arXiv preprint arXiv:2003.00823},
year = {2020}
}
备注
Accepted in 2019 5th IEEE International WIE Conference on Electrical and Computer Engineering (WIECON-ECE) and Awarded as best paper