领域特定预训练提升全切片图像分类的置信度
计算机视觉与模式识别
2024-02-14 v2 人工智能
机器学习
摘要
全切片图像（WSIs）或称组织病理学图像被用于数字病理学。由于其尺寸巨大且缺乏像素级标注，WSIs 对用于临床诊断的深度学习模型提出了巨大挑战。随着计算病理学的近期进展，人们提出了更新的基于多示例学习的模型。WSIs 的多示例学习需要创建图块并利用这些图块的编码进行诊断。这些模型使用通用预训练模型（在 ImageNet 上预训练的 ResNet-50）进行图块编码。近期提出的 KimiaNet 是一个在 TCGA 切片上预训练的 DenseNet121 模型，是一种领域特定预训练模型。本文展示了领域特定预训练对 WSI 分类的影响。为研究领域特定预训练的效果，我们考量了当前最先进的多示例学习模型：1）基于注意力的模型 CLAM，以及 2）基于自注意力的模型 TransMIL，并评估了这些模型在检测原发性脑肿瘤——胶质瘤时的置信度与预测性能。领域特定预训练提升了模型的置信度，并实现了基于 WSI 的胶质瘤亚型分类的新最先进性能，显示出在辅助胶质瘤诊断方面的高临床适用性。我们将在 https://github.com/soham-chitnis10/WSI-domain-specific 公开分享我们的代码与实验结果。
引用
@article{arxiv.2302.09833,
title = {Domain-Specific Pre-training Improves Confidence in Whole Slide Image Classification},
author = {Soham Rohit Chitnis and Sidong Liu and Tirtharaj Dash and Tanmay Tulsidas Verlekar and Antonio Di Ieva and Shlomo Berkovsky and Lovekesh Vig and Ashwin Srinivasan},
journal= {arXiv preprint arXiv:2302.09833},
year = {2024}
}
备注
Accepted in EMBC 2023