HistoPerm：一种基于置换的视图生成方法用于改进组织病理学特征表示学习
计算机视觉与模式识别
2023-04-07 v2
摘要
深度学习在数字病理学的组织学图像分析中已十分有效。然而，许多当前深度学习方法需要大量强或弱标注的图像与感兴趣区域，获取这些既耗时又耗资源。为应对此挑战，我们提出HistoPerm，一种用于联合嵌入架构表示学习的视图生成方法，可增强组织学图像的表示学习。HistoPerm对从全切片组织学图像提取的图块增强视图进行置换，以提升分类性能。我们在Celiac疾病与肾细胞癌的两个组织学图像数据集上，使用三种广泛使用的基于联合嵌入架构的表示学习方法（BYOL、SimCLR和VICReg）评估了HistoPerm的有效性。我们的结果显示HistoPerm在准确率、F1-score和AUC方面持续提升图块级与切片级分类性能。具体而言，在Celiac疾病数据集的图块级分类准确率上，HistoPerm将BYOL和VICReg提升8%，将SimCLR提升3%。在肾细胞癌数据集上，图块级分类准确率对BYOL和VICReg提高2%，对SimCLR提高1%。此外，在Celiac疾病数据集上，带HistoPerm的模型分别比全监督基线模型高出6%、5%和2%（BYOL、SimCLR、VICReg）。对于肾细胞癌数据集，HistoPerm将模型相对全监督基线的分类准确率差距缩小至最多10%。这些发现表明，在标注数据有限时，HistoPerm可作为改进组织病理学特征表示学习的宝贵工具，并能带来与全监督方法相当或更优的全切片分类结果。
引用
@article{arxiv.2209.06185,
title = {HistoPerm: A Permutation-Based View Generation Approach for Improving Histopathologic Feature Representation Learning},
author = {Joseph DiPalma and Lorenzo Torresani and Saeed Hassanpour},
journal= {arXiv preprint arXiv:2209.06185},
year = {2023}
}