基于 Task-specific 自监督学习的 Prostate Cancer 路径学高效分级
计算机视觉与模式识别
2025-01-28 v1
摘要
基于 ISUP 系统 (International Society of Urological Pathology) 的前列腺癌分级用于治疗决策，具有高度主观性，需大量专业知识。尽管计算机辅助诊断系统取得了进展，但鲜有方法能够仅基于病理切片水平标签 (Whole Slide Images, WSIs) 高效处理 ISUP 分级。一些普遍挑战包括管理巨像素 WSIs、获取 patch 级别注释以及处理跨中心的染色变异。深度学习在 ISUP 分级中面临的主要任务相关挑战之一是仅凭切片标签学习 Gleason 图案 (GP) 的 patch 级别特征。在此情况下，开发一种高效的 ISUP 分级框架。 proposed TSOR 基于一种新颖的 Task-specific 自监督学习 (SSL) 模型进行 fine-tuning，采用序数回归方法。由于训练样本的多样性在 SSL 中起关键作用，因此创建了一个以 Gleason grades (GGs) 为基准的 patch 级别数据集进行平衡。该平衡数据集用于 pre-training，以便模型能够有效学习 GP 的耐染色特征，以实现更好的泛化。在医学图像分级中，期望误分类尽可能接近实际分级。从这一角度看，该模型随后使用基于序数回归的方法进行 ISUP 分级的 task fine-tuning。在最广泛的多中心前列腺活检数据集 (PANDA 挑战) 以及 SICAP 数据集上的实验结果表明，该新颖框架与最先进的方法相比具有有效性。
引用
@article{arxiv.2501.15520,
title = {Efficient Self-Supervised Grading of Prostate Cancer Pathology},
author = {Riddhasree Bhattacharyya and Surochita Pal Das and Sushmita Mitra},
journal= {arXiv preprint arXiv:2501.15520},
year = {2025}
}