仅使用全局标签在组织病理学中进行分类与疾病定位：一种弱监督方法
计算机视觉与模式识别
2020-02-21 v2 机器学习
机器学习
摘要
组织病理学切片分析是许多诊断的关键步骤，尤其在肿瘤学中其定义了金标准。在数字组织病理学分析情况下，训练有素的病理学家必须审查极高数字分辨率（ 像素）的整张幻灯片图像，跨越多个缩放级别，以从数百万细胞中定位异常细胞区域，或某些情况下单个细胞。将深度学习应用于此问题不仅受小样本量阻碍（典型数据集仅含数百样本），还受限于为训练可解释的进行分类和分割模型而生成真值局部标注。我们提出一种在弱监督学习背景下的疾病定位方法，训练期间仅提供图像级标签。即使没有像素级标注，我们也能在 Camelyon-16 淋巴结转移检测挑战上展示与强标注训练模型相当的性能。我们通过使用预训练深度卷积网络、特征嵌入，以及经由 top instances 和 negative evidence 学习（来自语义分割和目标检测领域的多示例学习技术）实现这一点。
引用
@article{arxiv.1802.02212,
title = {Classification and Disease Localization in Histopathology Using Only Global Labels: A Weakly-Supervised Approach},
author = {Pierre Courtiol and Eric W. Tramel and Marc Sanselme and Gilles Wainrib},
journal= {arXiv preprint arXiv:1802.02212},
year = {2020}
}