数字病理学中面向滑块的癌症亚型分类的基础模型
计算机视觉与模式识别
2024-10-22 v1
摘要
自 ImageNet 数据集出现以来，预训练和微调方法在计算机视觉中广泛采用，因 ImageNet 预训练模型能够学习各种视觉特征。然而， 将这些模型应用于特定领域，如数字病理学，面临显著的领域差距。为解决这一限制，已训练 foundation model（FM）于大规模领域内数据集，以学习组织病理图像的精妙特征。在癌症诊断中，整个滑块图像（WSI）预测对于患者预后至关重要，多实例学习（MIL）已用于处理 WSI 的 gigabytes 级尺寸。由于 MIL 框架依赖于 patch 级别特征聚合，本工作旨在比较在 MIL 框架下，针对 WSI 上六种皮肤癌亚型分类，不同预训练策略下开发的各种特征提取器的性能。结果表明，foundation model 在预测六种皮肤癌亚型方面优于 ImageNet 预训练模型。
引用
@article{arxiv.2410.15886,
title = {Foundation Models for Slide-level Cancer Subtyping in Digital Pathology},
author = {Pablo Meseguer and Rocío del Amor and Adrian Colomer and Valery Naranjo},
journal= {arXiv preprint arXiv:2410.15886},
year = {2024}
}
备注
Manuscript accepted for oral presentation at Decision Science Allieance -INternational Summer Conference (DSA-ISC) 2024 held on Valencia, Spain