基于无监督学习的数字病理全切片图像广义分类
图像与视频处理
2020-12-29 v1 计算机视觉与模式识别
机器学习
摘要
本项目旨在将大型病理图像切分为小块（tile），然后在无真实标签的情况下将这些小块聚类为不同组。我们的分析显示了聚类肿瘤与非肿瘤细胞某些方面的困难，也表明比较不同无监督方法的结果并非易事。该项目还提供了一个供数字病理学界使用的软件包，其采用所开发的某些方法执行无监督小块分类，之后可轻松进行人工标注。项目混合使用了多种技术，从经典聚类算法（如 K-Means 和高斯混合模型）到更复杂的特征提取技术（如深度自编码器和多损失学习）。在整个项目中，我们尝试使用若干度量（如完整性分数和聚类图）来建立评估基准。在结果中，我们表明卷积自编码器因其强大的内部表示学习能力，略微优于其余方法。此外，我们显示高斯混合模型平均而言由于其在捕捉不同聚类上的灵活性而产生优于 K-Means 的结果。我们还展示了分类不同类型病理纹理难度的巨大差异。
引用
@article{arxiv.2012.13955,
title = {Generalized Categorisation of Digital Pathology Whole Image Slides using Unsupervised Learning},
author = {Mostafa Ibrahim and Kevin Bryson},
journal= {arXiv preprint arXiv:2012.13955},
year = {2020}
}