利用局部监督学习进行十亿像素全切片图像分类
计算机视觉与模式识别
2022-09-28 v2
摘要
组织病理学全切片图像（WSI）在临床研究中起着非常重要的作用，并作为许多癌症诊断的金标准。然而，由于其巨大的尺寸，生成处理 WSI 的自动工具具有挑战性。目前，为处理此问题，常规方法依赖多示例学习（MIL）策略在块级别处理 WSI。尽管有效，此类方法计算昂贵，因为将 WSI 切分为块耗时且不探索这些块之间的空间关系。为应对这些局限，我们提出一种局部监督学习框架，通过探索整张切片所包含的局部与全局信息来处理整个切片。该框架将预训练网络划分为若干模块，并使用辅助模型对每个模块进行局部优化。我们还引入随机特征重建单元（RFR）以在训练期间保留区分性特征，并将我们的方法性能提升 1% 至 3%。在三个公开可用 WSI 数据集：TCGA-NSCLC、TCGA-RCC 和 LKS 上的大量实验凸显了我们的方法在不同分类任务上的优越性。我们的方法在准确率上比最先进 MIL 方法高出 2% 至 5%，同时快 7 到 10 倍。此外，当将其划分为八个模块时，我们的方法所需 GPU 显存仅为端到端训练所需总量的 20%。我们的代码可在 https://github.com/cvlab-stonybrook/local_learning_wsi 获取。
引用
@article{arxiv.2207.08267,
title = {Gigapixel Whole-Slide Images Classification using Locally Supervised Learning},
author = {Jingwei Zhang and Xin Zhang and Ke Ma and Rajarsi Gupta and Joel Saltz and Maria Vakalopoulou and Dimitris Samaras},
journal= {arXiv preprint arXiv:2207.08267},
year = {2022}
}
备注
Accepted to MICCAI 2022 Oral