数字病理学中基于聚类的弱标签包学习
计算机视觉与模式识别
2018-12-04 v1 机器学习
机器学习
摘要
为减轻训练深度神经网络时收集详细专家标注的负担，我们提出一种弱监督学习方法，用于识别乳腺淋巴结显微图像中的转移灶。我们描述了一种替代训练损失，该损失在潜空间中对弱标签包进行聚类，以在卷积神经网络训练过程中指示图像块实例的相关性。我们在 Camelyon 数据集上评估了我们的方法，该数据集包含乳腺淋巴结的高分辨率数字切片，其中标签在图像级别提供，且训练期间仅提供图像块的子集。
引用
@article{arxiv.1812.00884,
title = {Cluster-Based Learning from Weakly Labeled Bags in Digital Pathology},
author = {Shazia Akbar and Anne L. Martel},
journal= {arXiv preprint arXiv:1812.00884},
year = {2018}
}
备注
Machine Learning for Health (ML4H) Workshop at NeurIPS 2018