组织病理学图像中肿瘤分类的持续学习
图像与视频处理
2022-08-09 v1 计算机视觉与模式识别
机器学习
摘要
近年来,在数字病理学应用中,用于组织病理学图像分析的深学习模型开发取得巨大进展,这些模型在研究与临床环境中日益常见的部署即为明证。尽管此类模型在解决数字病理学(DP)应用中的基础计算任务时表现出前所未有的性能,但在通过迁移学习适配未知数据时会出现灾难性遗忘。随着对深度学习模型处理不断变化的数据分布(包括演进的患者群体与新的诊断检测)的需求日益增长,缓解模型遗忘的持续学习模型需被引入基于DP的分析中。然而,据我们所知,尚无针对DP特定应用的此类模型的系统研究。在此,我们提出DP设定下的持续学习(CL)场景,其中来自不同来源/分布的组织病理学图像数据依次到达,其知识被整合进单一模型而无需从头训练所有数据。随后,我们建立了一个用于结直肠癌H&E分类的增强数据集以模拟图像外观偏移,并在所提CL场景中评估CL模型性能。我们利用乳腺肿瘤H&E数据集与结直肠癌数据集评估跨肿瘤类型的CL。此外,我们在标注与计算资源受限的在线少样本设定下评估了CL方法。我们揭示了CL在DP应用中的可喜结果,可能为这些方法在临床实践中的应用铺平道路。
引用
@article{arxiv.2208.03609,
title = {Continual Learning for Tumor Classification in Histopathology Images},
author = {Veena Kaustaban and Qinle Ba and Ipshita Bhattacharya and Nahil Sobh and Satarupa Mukherjee and Jim Martin and Mohammad Saleh Miri and Christoph Guetter and Amal Chaturvedi},
journal= {arXiv preprint arXiv:2208.03609},
year = {2022}
}
备注
Accepted by MOVI, a MICCAI2022 workshop: https://sites.google.com/view/movi2022