用于病理图像少样本分类的双通道原型网络
计算机视觉与模式识别
2023-11-15 v1
摘要
在病理学领域，某些疾病的罕见性以及病理图像标注的复杂性显著阻碍了大量高质量数据集的创建。这一局限阻碍了病理学中深度学习辅助诊断系统的进展。因此，亟需设计一种能从极少标注样本中辨识新疾病类别的技术。此类技术将大幅推进罕见疾病的深度学习模型。针对此需求，我们引入双通道原型网络（DCPN），根植于少样本学习范式，以应对有限样本病理图像分类挑战。DCPN 通过自监督学习增强 Pyramid Vision Transformer（PVT）框架用于少样本分类，并将其与卷积神经网络集成。该组合形成双通道架构，提取多尺度、高精度的病理特征。该方法增强了原型表示的通用性并提升了原型网络在少样本病理图像分类任务中的效能。我们使用三个公开病理数据集评估 DCPN，配置反映不同程度临床场景域偏移的小样本分类任务。我们的实验结果有力证实了 DCPN 在少样本病理图像分类中的优越性，尤其在同一域内的任务中，其达到监督学习的基准。
引用
@article{arxiv.2311.07871,
title = {Dual-channel Prototype Network for few-shot Classification of Pathological Images},
author = {Hao Quan and Xinjia Li and Dayu Hu and Tianhang Nan and Xiaoyu Cui},
journal= {arXiv preprint arXiv:2311.07871},
year = {2023}
}