CLASS-M：基于自适应染色分离的对比学习与伪标签的组织病理学图像分类
计算机视觉与模式识别
2024-11-14 v4
摘要
组织病理学图像分类是医学图像分析中的一项重要任务。由于易于从病理报告中获取病例级标签，近期方法通常依赖于弱监督学习。然而，在只有有限数量病例可用或局部预测准确性至关重要的应用中，块级分类更为可取。另一方面，获取带有局部标签的大规模数据集用于训练是不可行的。在本文中，我们提出了一种名为 CLASS-M 的半监督块级组织病理学图像分类模型，该模型不需要大规模标注的数据集。CLASS-M 由两个主要部分组成：一个对比学习模块，使用通过自适应染色分离过程生成的分离的苏木精和伊红图像；以及一个使用 MixUp 的伪标签模块。我们在两个透明细胞肾细胞癌数据集上将我们的模型与其他 SOTA 模型进行了比较。我们证明我们的 CLASS-M 模型在两个数据集上均具有最佳性能。我们的代码可在 github.com/BzhangURU/Paper_CLASS-M/tree/main 获取。
引用
@article{arxiv.2312.06978,
title = {CLASS-M: Adaptive stain separation-based contrastive learning with pseudo-labeling for histopathological image classification},
author = {Bodong Zhang and Hamid Manoochehri and Man Minh Ho and Fahimeh Fooladgar and Yosep Chong and Beatrice S. Knudsen and Deepika Sirohi and Tolga Tasdizen},
journal= {arXiv preprint arXiv:2312.06978},
year = {2024}
}