脑肿瘤分类的层次化广义类别发现
计算机视觉与模式识别
2025-11-18 v2 人工智能
机器学习
摘要
准确的脑肿瘤分类对于神经外科手术中的内科决策至关重要。然而，现有方法受限于固定的预定义类别，无法捕捉训练期间不可用肿瘤类型的模式。无监督学习可提取通用特征，但缺乏融合标记数据中已有知识的能力；半监督方法常常假设所有潜在类别在标记数据中都有代表。广义类别发现（Generalized Category Discovery, GCD）旨在填补这一鸿沟，通过对未标记数据中的已知和未知类别进行分类。为反映脑肿瘤分类学的层次结构，本文引入基于层次化聚类的广义类别发现用于脑肿瘤分类（Hierarchical Generalized Category Discovery for Brain Tumor Classification, HGCD-BT），该方法将层次化聚类与对比学习相结合。我们的方法扩展了基于对比学习的 GCD 方法，引入一种新型的半监督层次化聚类损失。我们在 OpenSRH 数据集上评估了 HGCD-BT，该数据集包含刺激拉曼组织学脑肿瘤图像，我们的方法在补丁级分类上比当前最先进的 GCD 方法提高了最高可达 28% 的准确率，尤其在识别以前未见过的肿瘤类别方面表现突出。此外，我们在 Digital Brain Tumor Atlas 中的 hematoxylin and eosin 染色的 whole-slide 图像的切片级分类上证明了 HGCD-BT 的通用性，确认了其在不同成像模态中的实用性。
引用
@article{arxiv.2510.02760,
title = {Hierarchical Generalized Category Discovery for Brain Tumor Classification in Digital Pathology},
author = {Matthias Perkonigg and Patrick Rockenschaub and Georg Göbel and Adelheid Wöhrer},
journal= {arXiv preprint arXiv:2510.02760},
year = {2025}
}