基于域内与域外迁移学习的组织病理学图像胶质瘤亚型分类：一项实验研究
图像与视频处理
2024-03-21 v1 计算机视觉与模式识别
摘要
本文针对成人型弥漫性胶质瘤的计算机辅助分类，对各种迁移学习策略和深度学习架构进行了全面比较。我们评估了域外 ImageNet 表征对组织病理学图像目标领域的泛化能力，并研究了利用自监督和多任务学习方法使用中等至大规模组织病理学图像数据集对模型进行预训练的域内自适应影响。此外，我们提出了一种半监督学习方法，其中微调后的模型用于预测全切片图像（WSI）中未标注区域的标签。随后使用上一步确定的真实标签和弱标签对模型进行重新训练，与标准域内迁移学习相比，其平衡准确率达到 96.91%、F1 分数 97.07%，性能更优，并最大限度地减少了病理学家的标注工作。最后，我们提供了一个在 WSI 级别工作的可视化工具，可生成突出肿瘤区域的热图，从而为病理学家提供有关 WSI 中信息量最大区域的见解。
引用
@article{arxiv.2309.17223,
title = {Glioma subtype classification from histopathological images using in-domain and out-of-domain transfer learning: An experimental study},
author = {Vladimir Despotovic and Sang-Yoon Kim and Ann-Christin Hau and Aliaksandra Kakoichankava and Gilbert Georg Klamminger and Felix Bruno Kleine Borgmann and Katrin B. M. Frauenknecht and Michel Mittelbronn and Petr V. Nazarov},
journal= {arXiv preprint arXiv:2309.17223},
year = {2024}
}