面向病理图像癌症分类的差分序学习视觉转换器 DIOR-ViT
图像与视频处理
2024-07-12 v1 计算机视觉与模式识别
摘要
在计算病理学中，癌症分级主要作为分类问题进行研究，未能利用癌症分级中存在的排序关系（分级越高，癌症越严重）。为融合癌症分级中样本标签间的排序关系，我们提出一种差分序学习问题，通过学习特征空间中样本对之间差异的程度来定义和学习类别标签之间的差异。为此，我们提出一种基于转换器的神经网络，同时进行类别分类和差分序分类，用于癌症分级。我们还提出了针对差分序学习的定制化损失函数。在三个不同类型的癌症数据集上评估所提方法，结果表明，采用差分序学习可提高癌症分级的准确性和可靠性，优于传统癌症分级方法。该方法应用于其他疾病和问题，因为这些问题都涉及类别标签间的排序关系。
引用
@article{arxiv.2407.08503,
title = {DIOR-ViT: Differential Ordinal Learning Vision Transformer for Cancer Classification in Pathology Images},
author = {Ju Cheon Lee and Keunho Byeon and Boram Song and Kyungeun Kim and Jin Tae Kwak},
journal= {arXiv preprint arXiv:2407.08503},
year = {2024}
}