利用群体级上下文捕获组内变异进行病理检测
图像与视频处理
2024-07-26 v2 计算机视觉与模式识别
摘要
实现健康和病理样本分布之间足够的可分离性是病理检测卷积模型的关键障碍。此外，这些模型对基于对比度的图像存在偏差，而在基于纹理的医学图像上性能下降。本研究引入了病理检测中群体级上下文的概念，并采用图论方法对其进行建模，通过我们称之为PopuSense的精化模块将其纳入自编码器的潜在编码中。PopuSense旨在捕获卷积模型的局部或全局上下文可能遗漏或平滑掉的生物医学数据中固有的额外组内变异。在基于对比度和基于纹理的图像上进行的概念验证实验，在最小化适配的情况下，遇到了现有对强度输入偏好的问题。尽管如此，PopuSense在基于对比度的图像中展示了改进的可分离性，为精化模型所学表示提供了额外途径。
引用
@article{arxiv.2403.02307,
title = {Harnessing Intra-group Variations Via a Population-Level Context for Pathology Detection},
author = {P. Bilha Githinji and Xi Yuan and Zhenglin Chen and Ijaz Gul and Dingqi Shang and Wen Liang and Jianming Deng and Dan Zeng and Dongmei yu and Chenggang Yan and Peiwu Qin},
journal= {arXiv preprint arXiv:2403.02307},
year = {2024}
}