用于组织病理图像分析无监督域适应的图神经网络
计算机视觉与模式识别
2020-08-24 v1
摘要
标注组织病理图像是一个耗时且劳动密集的过程，需要广证病理学家从细胞到组织仔细检查大规模全切片图像。近期迁移学习技术的前沿已被广泛研究用于有限标注下的图像理解任务。然而，当应用于组织学图像分析时，它们中很少能有效地避免由源训练数据集与目标数据集之间的域差异（如不同组织、染色外观和成像设备）引起的性能退化。为此，我们提出一种用于组织病理图像分析中无监督域适应的新方法，基于将输入图像嵌入特征空间的骨干网络，以及用于在带标签图像间传播监督信号的图神经层。该图模型通过将嵌入特征空间中每个图像与其近邻相连而建立。然后采用图神经网络从每个图像合成新的特征表示。在训练阶段，具有置信推断的目标样本被动态分配伪标签。交叉熵损失函数用于约束带人工标记标签的源样本和带伪标签的目标样本的预测。此外，采用最大均值差异以促进域不变特征表示的提取，并利用对比学习增强所学特征的类别判别性。在组织病理图像分类的无监督域适应实验中，我们的方法在四个公开数据集上达到了最先进的性能。
引用
@article{arxiv.2008.09304,
title = {Graph Neural Networks for UnsupervisedDomain Adaptation of Histopathological ImageAnalytics},
author = {Dou Xu and Chang Cai and Chaowei Fang and Bin Kong and Jihua Zhu and Zhongyu Li},
journal= {arXiv preprint arXiv:2008.09304},
year = {2020}
}