CCRL：对比细胞表征学习
计算机视觉与模式识别
2023-01-18 v2
摘要
H&E切片中的细胞识别是一项基本前提，可为包括组织分类、癌症分级和表型预测在内的进一步病理分析铺平道路。然而，使用深度学习技术执行此类任务需要大规模细胞级标注数据集。尽管先前研究已考察了对比自监督方法在组织分类中的性能，但此类算法在细胞识别与聚类中效用仍属未知。在本工作中，我们通过提出对比细胞表征学习（CCRL）模型考察了自监督学习（SSL）在细胞聚类中的效用。通过综合比较，我们表明该模型在两个来自不同组织类型的数据集上以大幅优势优于所有现有细胞聚类模型。更有趣的是，结果显示我们提出的模型在较少细胞类别数下表现良好，而SSL模型的效用主要在具有大量类别的自然图像数据集（如ImageNet）背景下得到展示。本研究提出的无监督表征学习方法消除了细胞分类任务中耗时的数据标注步骤，使我们能够在比先前方法大得多的数据集上训练模型。因此，考虑到 promising 的结果，该方法可开辟自动细胞表征学习的新途径。
引用
@article{arxiv.2208.06445,
title = {CCRL: Contrastive Cell Representation Learning},
author = {Ramin Nakhli and Amirali Darbandsari and Hossein Farahani and Ali Bashashati},
journal= {arXiv preprint arXiv:2208.06445},
year = {2023}
}
备注
Accepted to ECCVW 2022