基于全卷积自编码器的乳腺癌组织病理学图像分类判别模式挖掘
计算机视觉与模式识别
2020-05-06 v3 机器学习
图像与视频处理
定量方法
摘要
由于癌细胞生长的异质性以及多种良性乳腺组织增生性病变，在组织病理学图像中准确诊断乳腺癌具有挑战性。本文提出一种实用且自可解释的浸润癌诊断方案。在最少标注信息下，该方法以无监督方式挖掘正常与恶性图像间的对比模式，并生成异常概率图以验证其推理。特别地，使用全卷积自编码器学习正常图像块间的主导结构模式。不具备该正常群体特征的块由一类支持向量机与单层神经网络检测并分析。我们将所提方法应用于公开乳腺癌图像集。在资深病理学家会诊下，我们的结果表明所提方法优于现有方法。所获得的概率图可通过提供可视化验证数据惠及病理实践，并潜在地增进对数据驱动诊断方案的理解。
引用
@article{arxiv.1902.08670,
title = {Discriminative Pattern Mining for Breast Cancer Histopathology Image Classification via Fully Convolutional Autoencoder},
author = {Xingyu Li and Marko Radulovic and Ksenija Kanjer and Konstantinos N. Plataniotis},
journal= {arXiv preprint arXiv:1902.08670},
year = {2020}
}