高效分类组织病理图像

本工作致力于高效分类具有挑战性的组织病理图像，如用于癌症诊断的 gigapixel 全片图像，仅使用图像级标注。我们利用带有标注肿瘤区域的图像，在癌症切片中识别出一组肿瘤补丁和一组良性补丁。由于感兴趣区域的可变性，肿瘤阳性区域可能仅占像素的极小比例。这导致补丁级分类中的重要问题：大多数标记为“癌症”的图像补丁实际上是无肿瘤的。该问题不同于语义分割，后者将标签关联到图像中的每个像素，因为在补丁提取后，我们仅处理补丁级标签。现有方法通过缓解少数类数据不足来解决数据不平衡问题，以防止模型被多数类主导。这些方法包括数据重采样、损失重新加权、边际修改和数据增强。在本工作中，我们采用分而治之的方法来缓解补丁级类别不平衡问题。首先，将数据划分为子组，并基于这些数据划分定义三个独立的分类子问题。然后，利用基于信息论的深度图像补丁特征聚类采样方法，从子组中抽取判别性补丁。使用这些抽取的补丁，我们构建相应的深度模型以解决新的分类子问题。最后，将各模型所学信息整合以对补丁作出最终决策。我们的实验结果表明，所提出的方法可仅使用给定全片图像中极少数比例的补丁即可实现竞争性能。