计算病理学中的标签稀缺应对：前列腺癌分类用例
计算机视觉与模式识别
2019-07-27 v1 图像与视频处理
摘要
大量无标签数据在计算病理学的许多应用中十分常见，而有标签数据的获取通常在时间和成本上均较为昂贵。我们研究了在有少量标签数据可用时，无监督与有监督深度学习方法的表现。比较了三种方法：聚类自编码器潜向量（无监督）、结合预训练自编码器的单层分类器（半监督）以及有监督 CNN。我们将这些方法应用于苏木精-伊红（H&E）染色的前列腺切除图像，以分类肿瘤与非肿瘤组织。结果显示，当标签较少时，半/无监督方法优于有监督学习。此外，我们表明纳入免疫组化（IHC）染色数据相比仅使用 H&E 可提升性能。
引用
@article{arxiv.1905.06820,
title = {Dealing with Label Scarcity in Computational Pathology: A Use Case in Prostate Cancer Classification},
author = {Koen Dercksen and Wouter Bulten and Geert Litjens},
journal= {arXiv preprint arXiv:1905.06820},
year = {2019}
}
备注
4 pages, 3 figures,MIDL 2019 [arXiv:1907.08612] extended abstract