手工设计组织学 Transformer (H2T)：全切片图像的无监督表示
图像与视频处理
2022-09-08 v2 计算机视觉与模式识别
摘要
病理科中对癌症的诊断、预后及治疗决策现在可基于多吉像素组织图像（即全切片图像，WSIs）的分析来进行。近来，已有深度卷积神经网络（CNNs）被提出用于推导无监督的 WSI 表示；这颇具吸引力，因其较少依赖繁琐的专家标注。然而，一个主要权衡是，更高的预测能力通常以可解释性为代价，这对其在通常期望决策透明性的临床使用提出了挑战。为应对该挑战，我们提出了一种基于深度 CNN 构建整体 WSI 级表示的手工设计框架。基于近期关于 Transformer 在自然语言处理领域内部机理的发现，我们将其过程拆解并手工设计为更透明的框架，称之为手工设计组织学 Transformer 或 H2T。基于涉及总计 5,306 张 WSI 的多个数据集的实验，结果表明，基于 H2T 的整体 WSI 级表示相较于近期最先进方法具有竞争性性能，并可立即用于各种下游分析任务。最后，我们的结果表明 H2T 框架可比 Transformer 模型快至多 14 倍。
引用
@article{arxiv.2202.07001,
title = {Handcrafted Histological Transformer (H2T): Unsupervised Representation of Whole Slide Images},
author = {Quoc Dang Vu and Kashif Rajpoot and Shan E Ahmed Raza and Nasir Rajpoot},
journal= {arXiv preprint arXiv:2202.07001},
year = {2022}
}