进化计算实战：十亿像素病理图像深度嵌入空间中的特征选择
计算机视觉与模式识别
2023-04-19 v2 机器学习
神经与进化计算
摘要
采用数字病理的主要障碍之一是高效处理超维数字化活检样本（称为全切片图像，WSI）的挑战。在后疫情时代，亟需利用深度学习并引入紧凑的 WSI 表示，以加速图像分析并促进病理结果的可视化与可解释性。本文提出一种基于深度嵌入大规模多目标优化（LSMOP）的 WSI 表示新进化方法。我们从基于块采样入手，输入 KimiaNet（一种组织病理学专用深度网络）并提取大量特征向量。粗粒度多目标特征选择采用由分类精度与特征数量引导的缩减搜索空间策略。第二阶段，通过多次运行粗粒度 LSMOP 构建频繁特征直方图（FFH）——一种新颖的 WSI 表示。随后应用精细进化特征选择，基于 FFH 找到紧凑（短长度）特征向量，并借助进化算法的随机性为数字病理提供更鲁棒的深度学习方法。我们使用癌症基因组图谱（TCGA）图像，从 WSI 表示、分类精度和特征质量方面验证所提方案。此外，引入了 LSMOP 领域中多准则决策的新决策空间。最后，提出一种块级可视化方法以增强深度特征的可解释性。所提进化算法找到了极具紧凑性的特征向量来表示 WSI（比原始特征向量小近 14,000 倍），且精度比较先进方法提供的编码高 8%。
引用
@article{arxiv.2303.00943,
title = {Evolutionary Computation in Action: Feature Selection for Deep Embedding Spaces of Gigapixel Pathology Images},
author = {Azam Asilian Bidgoli and Shahryar Rahnamayan and Taher Dehkharghanian and Abtin Riasatian and H. R. Tizhoosh},
journal= {arXiv preprint arXiv:2303.00943},
year = {2023}
}