基于置换不变算子的多示例组织病理分类深度学习
机器学习
2017-12-06 v2 机器学习
摘要
医学影像的计算机辅助分析是医学影像领域长期以来的目标。当前，深度学习已成为辅助病理医生与放射科医生的主导方法。深度学习算法已成功应用于数字病理学与放射学，然而仍存在阻碍这些工具在实际中广泛使用的实际问题。主要障碍是可用病例数少且图像尺寸大（即机器学习中的小 n、大 p 问题），以及像素级标注的极有限获取，这会导致严重过拟合与巨大计算需求。我们提出通过引入一种框架来处理这些问题：该框架使用单一的共享神经网络将医学图像作为一小块一小块图像块（patch）的集合来处理；最终诊断由置换不变算子（组合）整合各图像块的得分给出。在机器学习界，这种方法被称为多示例学习（MIL）。
引用
@article{arxiv.1712.00310,
title = {Deep Learning with Permutation-invariant Operator for Multi-instance Histopathology Classification},
author = {Jakub M. Tomczak and Maximilian Ilse and Max Welling},
journal= {arXiv preprint arXiv:1712.00310},
year = {2017}
}
备注
Workshop on "Medical Imaging meets NIPS" at NIPS 2017