HistoTransfer：理解组织病理学的迁移学习
计算机视觉与模式识别
2021-06-15 v1
摘要
数字病理学与人工智能的发展使得基于深度学习的计算机视觉技术可用于自动化疾病诊断与预后。然而，全切片图像（WSIs）带来了独特的计算与算法挑战。WSIs 为十亿像素级别，无法直接用于训练深度神经网络。因此，建模采用两阶段方法：先提取块表示，再聚合以进行 WSI 预测。这些方法需要详细的像素级标注来训练块编码器。然而，获取这些标注对医学专家而言耗时且繁琐。迁移学习被用于弥补这一差距，在 ImageNet 上预训练的深度学习架构被用于生成块级表示。尽管 ImageNet 与组织病理学数据差异显著，预训练网络已在组织病理学数据上表现出令人印象深刻的性能。此外，自监督与多任务学习的进展，加上多个组织病理学数据集的发布，促成了组织病理学专用网络的发布。在本工作中，我们比较在 ImageNet 与组织病理学数据上训练的网络所提取特征的性能。我们使用这些提取特征上的注意力池化网络进行切片级聚合。我们研究使用更复杂网络学习的特征是否会带来性能提升。我们采用简单的 top-k 采样方法进行微调框架，并使用居中核对齐（Centered Kernel Alignment）研究冻结与微调网络之间的表示相似性。进一步，为检验中间块表示是否更适于特征提取以及 ImageNet 架构对于组织病理学是否过大，我们截断 ResNet18 与 DenseNet121 的块并考察性能。
引用
@article{arxiv.2106.07068,
title = {HistoTransfer: Understanding Transfer Learning for Histopathology},
author = {Yash Sharma and Lubaina Ehsan and Sana Syed and Donald E. Brown},
journal= {arXiv preprint arXiv:2106.07068},
year = {2021}
}
备注
Accepted at IEEE International Conference on Biomedical and Health Informatics (BHI'21). arXiv admin note: text overlap with arXiv:2103.10626