用于比较组织病理学数据集的层次最优传输
计算机视觉与模式识别
2022-04-21 v2 人工智能
摘要
标注的组织病理学数据稀缺限制了深度学习方法在欠刻画癌症类型和标签上的适用性。迁移学习使研究者能够通过在类似于小目标数据集的较大数据集上预训练机器学习模型，来克服小数据集的局限。然而，数据集之间的相似性常由启发式方法确定。本文中，我们基于最优传输距离的层次泛化，提出一种有原则的数据集间距离度量。我们的方法无需任何训练，与模型类型无关，并保留了组织病理学数据集中由分块所施加的诸多层次结构。我们将该方法应用于来自癌症基因组图谱（The Cancer Genome Atlas）的六种不同癌症类型的 H&E 染色切片。我们表明，在癌症类型预测任务中，我们的方法优于基线距离。我们的结果还显示，我们的最优传输距离可预测在肿瘤与正常预测设定下可迁移性的难度。
引用
@article{arxiv.2204.08324,
title = {Hierarchical Optimal Transport for Comparing Histopathology Datasets},
author = {Anna Yeaton and Rahul G. Krishnan and Rebecca Mieloszyk and David Alvarez-Melis and Grace Huynh},
journal= {arXiv preprint arXiv:2204.08324},
year = {2022}
}