分层判别学习改进生物医学显微图像视觉表征
计算机视觉与模式识别
2023-03-06 v1 人工智能
机器学习
摘要
学习高质量的自监督视觉表征对于推进计算机视觉在生物医学显微与临床医学中的作用至关重要。先前工作聚焦于为实例判别开发的自监督表征学习（SSL）方法，并将其直接应用于从用于癌症诊断的吉像素全切片图像（WSI）中采样的图像块或视野。然而，该策略存在局限，因为（1）它假设来自同一患者的图像块相互独立，（2）忽略了临床生物医学显微中患者-切片-图像块的层级结构，（3）需要可能损害下游性能的强数据增强。重要的是，从患者肿瘤 WSI 中采样的图像块是一组多样的影像样本，捕捉了相同的潜在癌症诊断。这催生了 HiDisc，一种数据驱动方法，利用临床生物医学显微固有的患者-切片-图像块层级来定义分层判别学习任务，从而隐式学习潜在诊断的特征。HiDisc 使用自监督对比学习框架，其中正图像块对基于数据层级中的共同祖先定义，并采用统一的图像块、切片和患者判别学习目标用于视觉 SSL。我们在两个视觉任务上使用两个生物医学显微数据集对 HiDisc 视觉表征进行基准测试，并证明（1）HiDisc 预训练在癌症诊断与基因突变预测上优于当前最先进的自监督预训练方法，（2）HiDisc 利用自然图像块多样性学习高质量视觉表征而无需强数据增强。
引用
@article{arxiv.2303.01605,
title = {Hierarchical discriminative learning improves visual representations of biomedical microscopy},
author = {Cheng Jiang and Xinhai Hou and Akhil Kondepudi and Asadur Chowdury and Christian W. Freudiger and Daniel A. Orringer and Honglak Lee and Todd C. Hollon},
journal= {arXiv preprint arXiv:2303.01605},
year = {2023}
}
备注
CVPR 2023. Project page: https://hidisc.mlins.org