全切片图像的上下文感知自监督学习
图像与视频处理
2023-06-09 v1 计算机视觉与模式识别
机器学习
摘要
将全切片图像（WSIs）表示为图，将为癌症诊断提供更高效率与准确性的学习框架。由于单张 WSI 包含数十亿像素，且缺乏计算病理学所需的大规模标注数据集，使用卷积神经网络（CNN）等典型深度学习方法来学习 WSI 具有挑战性。此外，WSI 的下采样可能导致癌症检测所必需的数据丢失。本文提出了一种新颖的两阶段学习技术。由于上下文（如肿瘤周围的拓扑特征）可能承载癌症分级与诊断的重要信息，捕捉 WSI 中各区域间所有依赖关系的图表示非常直观。我们部署图卷积网络（GCN）以纳入肿瘤与邻近组织的上下文，并利用自监督学习通过无标签数据增强训练。更具体地，整张切片被表示为一个图，其中节点对应于 WSI 中的图像块。随后使用前列腺癌与肾癌的 WSI 对所提框架进行测试。为评估自监督机制带来的性能提升，所提上下文感知模型在有无预训练自监督层的情况下分别进行了测试。整体模型还与基于多示例学习（MIL）的方法及其他现有方法进行了比较。
引用
@article{arxiv.2306.04763,
title = {Context-Aware Self-Supervised Learning of Whole Slide Images},
author = {Milan Aryal and Nasim Yahyasoltani},
journal= {arXiv preprint arXiv:2306.04763},
year = {2023}
}