面向组织病理学图像的深度实例级难负样本挖掘模型
计算机视觉与模式识别
2019-06-28 v3 人工智能
摘要
组织病理学图像分析可视为多示例学习（MIL）问题，其中整张切片组织病理学图像（WSI）被视为示例（即图像块）的包，任务是对 WSI 预测单一类别标签。然而，在计算病理学等许多实际应用中，发现触发包标签的关键示例极具意义，因为它为系统所作决策提供了依据。本文提出一种深度卷积神经网络（CNN）模型，该模型解决 WSI 上包分类的主要任务，并学习识别每个示例的响应以为最终预测提供可解释结果。我们将注意力机制引入所提模型以执行示例的变换并学习注意力权重，从而定位关键图像块。为进行均衡训练，我们在每个训练包中引入自适应加权以显式调整权重分布，从而更聚焦于难样本的贡献。基于学到的注意力权重，我们进一步提出一种通过生成含难负示例的包来提升分类性能的解决方案。我们在结肠与乳腺癌组织病理学数据上进行了大量实验，表明我们的框架达到了最先进的性能。
引用
@article{arxiv.1906.09681,
title = {Deep Instance-Level Hard Negative Mining Model for Histopathology Images},
author = {Meng Li and Lin Wu and Arnold Wiliem and Kun Zhao and Teng Zhang and Brian C. Lovell},
journal= {arXiv preprint arXiv:1906.09681},
year = {2019}
}
备注
Accepted by MICCAI 2019