病理学中的持续与自适应学习模型：CAMP
图像与视频处理
2024-07-15 v1 计算机视觉与模式识别
摘要
病理学中存在众多诊断任务。传统计算病理学将其规划为独立的图像分类问题，不仅导致计算效率低下，还增加成本。为此，我们提出了一种通用、统一且通用的框架，称为病理学中的持续与自适应学习模型（CAMP），用于病理图像分类。CAMP 是一种生成式、高效且自适应的分类模型，能够通过利用病理学特定先验知识和以最小计算成本学习任务特定知识，持续适应任何分类任务且不遗忘现有任务的知识。我们在 22 个数据集上评估了 CAMP，包括 117 万片病理切片和 1.18 万片病理图像，涵盖 17 个分类任务。CAMP 在 various 数据集和任务上实现了在 patch 级别和切片级别的 state-of-the-art 分类性能，较传统分类模型在计算时间上减少最高可达 94%，在存储内存上减少最高可达 85%。我们的结果表明，CAMP 能为病理图像分类的全面数字化和计算机化实践铺平道路。
引用
@article{arxiv.2407.09030,
title = {CAMP: Continuous and Adaptive Learning Model in Pathology},
author = {Anh Tien Nguyen and Keunho Byeon and Kyungeun Kim and Boram Song and Seoung Wan Chae and Jin Tae Kwak},
journal= {arXiv preprint arXiv:2407.09030},
year = {2024}
}
备注
Under review