组织病理学中的分类：一种用于多分类任务的独特深度嵌入提取器
计算机视觉与模式识别
2023-03-10 v1 人工智能
摘要
在生物医学成像中，基于深度学习的方法在每种模态（虚拟切片、MRI等）上都是最先进的。在组织病理学中，这些方法可用于检测某些生物标志物或分类病变。然而，此类技术需要大量数据来训练高性能模型，而这些数据本质上难以获取，尤其对于稀缺生物标志物而言。为应对这一挑战，我们使用单一的、预训练的深度嵌入提取器将图像转换为深度特征，并在这些嵌入上为每个分类任务训练小型的专用分类头。该方法具有若干优势：能够复用单一预训练深度网络用于多种任务；由于分类头参数更少，减少了所需标注数据量；并将训练时间加速多达1000倍，从而允许对分类头进行更多调优。本工作中，我们对各种开源骨干网络进行了广泛比较，并评估它们对目标组织学图像域的适配性。这是通过使用一种基于代理分类任务的新方法实现的。我们证明，得益于该选择方法，可为目标域上的不同任务选出最优特征提取器。我们还引入了一种特征空间增强策略，其被证明能大幅改善所考虑不同任务的最终指标。为展示此类骨干选择及特征空间增强的益处，我们的实验在三个独立分类任务上进行，并显示出各项任务的明显提升：微钙化（F1分数提升29.1%）、淋巴结转移（F1分数提升12.5%）、有丝分裂（F1分数提升15.0%）。
引用
@article{arxiv.2303.05180,
title = {Classification in Histopathology: A unique deep embeddings extractor for multiple classification tasks},
author = {Adrien Nivaggioli and Nicolas Pozin and Rémy Peyret and Stéphane Sockeel and Marie Sockeel and Nicolas Nerrienet and Marceau Clavel and Clara Simmat and Catherine Miquel},
journal= {arXiv preprint arXiv:2303.05180},
year = {2023}
}