全局对比掩码自编码器是强大的病理表征学习器
图像与视频处理
2023-11-17 v4 计算机视觉与模式识别
摘要
基于数字病理切片扫描技术，以深度学习为代表的人工智能算法在计算病理学领域取得了显著成果。与其他医学图像相比，病理图像更难标注，因此极度缺乏可用于监督学习训练鲁棒深度学习模型的数据集。本文提出一种自监督学习（SSL）模型——全局对比掩码自编码器（GCMAE），其能够训练编码器具备表征病理图像局部-全局特征的能力，并显著提升跨数据集迁移学习的性能。本研究通过使用总计三个不同疾病特异性的苏木精-伊红（HE）染色病理数据集：Camelyon16、NCTCRC 和 BreakHis，通过大量实验证明了 GCMAE 学习可迁移表征的能力。此外，本研究基于 GCMAE 设计了一种用于临床应用的有效的自动化病理诊断流程。本文源代码公开于 https://github.com/StarUniversus/gcmae。
引用
@article{arxiv.2205.09048,
title = {Global Contrast Masked Autoencoders Are Powerful Pathological Representation Learners},
author = {Hao Quan and Xingyu Li and Weixing Chen and Qun Bai and Mingchen Zou and Ruijie Yang and Tingting Zheng and Ruiqun Qi and Xinghua Gao and Xiaoyu Cui},
journal= {arXiv preprint arXiv:2205.09048},
year = {2023}
}