CD-Net：基于金字塔上下文-细节网络的组织病理学表征学习
计算机视觉与模式识别
2022-03-30 v1
摘要
从全切片组织学图像（WSIs）中提取丰富的表型信息（如细胞密度与排布）需要分析大视野，即更多的上下文信息。这可通过以较低分辨率分析数字切片来实现。一个潜在的缺陷是遗漏较高分辨率下存在的细节。为联合利用多分辨率的互补信息，我们提出一种基于Transformer的新型金字塔上下文-细节网络（CD-Net）。CD-Net通过所提出的上下文模块与细节模块的协同训练来利用WSI的金字塔结构，这两个模块以多分辨率输入运行。模块间的残差连接实现了联合训练范式，同时为WSIs学习自监督表征。CD-Net在肺腺癌与鳞状细胞癌的分类中展示了其有效性。
引用
@article{arxiv.2203.15078,
title = {CD-Net: Histopathology Representation Learning using Pyramidal Context-Detail Network},
author = {Saarthak Kapse and Srijan Das and Prateek Prasanna},
journal= {arXiv preprint arXiv:2203.15078},
year = {2022}
}
备注
Submitted to MICCAI 2022