面向结肠病理诊断的高效自监督 Barlow Twins：基于有限组织切片队列
图像与视频处理
2024-11-12 v1 计算机视觉与模式识别
摘要
结直肠癌 (CRC) 是少数具有明确 dysplasia-carcinoma 序列且受益于筛查的癌症之一。在加拿大，所有年满 50 岁的人都有资格接受 CRC 筛查。大约有 20%的人需要进行组织活检以检测前癌性息肉，且在许多情况下，患者会有多个息肉。因此，这些息肉组织活检构成了病理学家工作量的主要部分。开发高效的计算模型来筛查这些息肉活检可以改善病理学家的工作流程，并帮助他们关注切片上的关键区域。深度学习模型在计算病理学 (CPath) 中面临着巨大的挑战，这是由于全切片图像的巨像素大小以及详细标注数据集的稀缺。在不得不利用自监督学习 (SSL) 方法来缓解标注负担和成本的问题之后，当前的研究缺乏有效应用于分析病理数据的 SSL 框架的方法。本文旨在提出一个针对结肠息肉筛查的优化 Barlow Twins 框架。我们调整其超参数、增强策略和编码器，以适应病理数据的特殊性，以提升性能。此外，我们研究了结肠息肉筛查的最佳视野 (Field of View, FoV)，并通过在 MHIST 和 NCT-CRC-7K 数据集上进行下游任务，提出了一个新的基准数据集，用于 CRC 筛查，包含四种结肠息肉类型和正常组织。 Furthermore, 我们表明 SSL 表示比监督表示更具意义和更具质量，Barlow Twins 在病理数据上受益于 Swin Transformer。代码可在 https://github.com/AtlasAnalyticsLab/PathBT 获取。
引用
@article{arxiv.2411.05959,
title = {Efficient Self-Supervised Barlow Twins from Limited Tissue Slide Cohorts for Colonic Pathology Diagnostics},
author = {Cassandre Notton and Vasudev Sharma and Vincent Quoc-Huy Trinh and Lina Chen and Minqi Xu and Sonal Varma and Mahdi S. Hosseini},
journal= {arXiv preprint arXiv:2411.05959},
year = {2024}
}
备注
Submission Under Review