基于费舍尔向量表示的高效全切片图像分类
计算机视觉与模式识别
2024-11-14 v1 机器学习
摘要
数字病理学的进步，特别是通过全切片图像（WSI）的计算分析，有望显著提高诊断精度和效率。然而，WSI的大尺寸和复杂性使得使用计算机进行分析和分类变得困难。本研究通过自动化识别和检查最具信息量的图像块，引入了一种新的WSI分类方法，从而消除了处理整张切片的需求。我们的方法包含两个阶段：首先，根据病理意义从WSI中仅提取少量图像块；其次，采用费舍尔向量（FV）表示从这些图像块提取的特征，该方法以其捕捉细粒度细节的鲁棒性而闻名。这种方法不仅突出了WSI表示中的关键病理特征，还显著降低了计算开销，使过程更高效且可扩展。我们在多个数据集上严格评估了所提方法，将其性能与全面的WSI分析和当代弱监督学习方法进行基准比较。实证结果表明，我们对选定图像块的聚焦分析结合费舍尔向量表示，不仅与标准做法的分类准确度一致，有时甚至超过。此外，该策略显著减少了计算负载和资源消耗，从而在数字病理学领域建立了一个高效且精确的WSI分析框架。
引用
@article{arxiv.2411.08530,
title = {Efficient Whole Slide Image Classification through Fisher Vector Representation},
author = {Ravi Kant Gupta and Dadi Dharani and Shambhavi Shanker and Amit Sethi},
journal= {arXiv preprint arXiv:2411.08530},
year = {2024}
}