发现用于 HEp-2 样本图像分类的判别性细胞属性
计算机视觉与模式识别
2016-11-15 v1 计算工程、金融与科学
摘要
近年来，开发计算机辅助诊断（CAD）系统以提高病理测试结果可靠性和一致性的兴趣日益增长。本文描述了一种新型 CAD 系统，用于通过间接免疫荧光方案在人上皮 2 型（HEp-2）细胞上进行抗核抗体（ANA）测试。虽然先前的工作主要集中在对从 ANA 样本图像中提取的细胞图像进行分类，但本研究更进一步，专注于样本图像分类问题本身。我们的系统能够高效地对样本图像进行分类，并生成有意义的 ANA 模式类别描述，帮助医生理解不同 ANA 模式之间的差异。我们通过设计一种样本级图像描述符来实现这一目标，该描述符具有：(1) 高度判别性；(2) 描述符长度短；(3) 在细胞层面具有语义意义。在我们的工作中，样本图像描述符由其整体细胞属性描述符表示。因此，我们提出了两种基于最大间隔（max-margin）的学习方案，以在保持样本图像描述符判别力的同时发现细胞属性。我们的学习方案与现有的判别性属性学习方法不同，主要侧重于发现图像级属性。我们在一个专门为样本级分类提出的新型 HEp-2 细胞数据集上，将所提方法与各种最先进（state-of-the-art）方法进行了对比评估。最后，我们展示了所提方法提供文本描述以解释 ANA 模式的能力。
引用
@article{arxiv.1407.7330,
title = {Discovering Discriminative Cell Attributes for HEp-2 Specimen Image Classification},
author = {Arnold Wiliem and Peter Hobson and Brian C. Lovell},
journal= {arXiv preprint arXiv:1407.7330},
year = {2016}
}
备注
WACV 2014: IEEE Winter Conference on Applications of Computer Vision