HistoKT：计算病理学中的跨知识迁移
图像与视频处理
2022-01-28 v1 计算机视觉与模式识别
摘要
计算病理学（CPath）中缺乏良好标注的数据集，阻碍了深度学习技术用于医学图像分类。许多 CPath 工作流程涉及通过迁移学习在不同图像域之间迁移已学知识。目前，大多数迁移学习研究遵循以模型为中心的方法，调整网络参数以在少量数据集上改善迁移结果。在本文中，我们采用以数据为中心的视角看待迁移学习问题，并考察组织病理学数据集之间是否存在可泛化知识。首先，我们创建了一个用于聚合现有组织病理学数据的标准化工作流程。然后，我们通过在多个组织病理学数据集上训练 ResNet18 模型，并在它们之间进行交叉迁移来衡量域间知识，以确定内在共享知识的数量与质量。此外，我们使用权重蒸馏（weight distillation）在不额外训练的情况下于模型间共享知识。我们发现，难以学习的多类数据集从预训练中受益最大，并且包含如 ImageNet 这样的大型源域的两阶段学习框架能够更好地利用较小的数据集。此外，我们发现权重蒸馏使仅在纯组织病理学特征上训练的模型优于使用外部自然图像数据的模型。
引用
@article{arxiv.2201.11246,
title = {HistoKT: Cross Knowledge Transfer in Computational Pathology},
author = {Ryan Zhang and Jiadai Zhu and Stephen Yang and Mahdi S. Hosseini and Angelo Genovese and Lina Chen and Corwyn Rowsell and Savvas Damaskinos and Sonal Varma and Konstantinos N. Plataniotis},
journal= {arXiv preprint arXiv:2201.11246},
year = {2022}
}
备注
Accepted in ICASSP2022