利用聚类约束改进组织病理图像的表示学习
计算机视觉与模式识别
2023-11-15 v2
摘要
全切片图像（WSI）扫描仪与计算能力的最新进展显著推动了人工智能在组织病理学切片分析中的应用。尽管这些进展令人鼓舞，当前WSI分析的监督学习方法面临详尽标注高分辨率切片的挑战——这一过程既费力又耗时。相比之下，自监督学习（SSL）预训练策略正作为一种可行替代方案出现，因为它们不依赖显式数据标注。这些SSL策略正迅速缩小与其监督对应方法之间的性能差距。在此背景下，我们引入一个SSL框架。该框架旨在通过协同WSI分析中的不变性损失与聚类损失，实现可迁移的表示学习与语义上有意义的聚类。值得注意的是，我们的方法在下游分类与聚类任务上优于常见SSL方法，这由在Camelyon16和一个胰腺癌数据集上的测试所证明。
引用
@article{arxiv.2310.12334,
title = {Improving Representation Learning for Histopathologic Images with Cluster Constraints},
author = {Weiyi Wu and Chongyang Gao and Joseph DiPalma and Soroush Vosoughi and Saeed Hassanpour},
journal= {arXiv preprint arXiv:2310.12334},
year = {2023}
}
备注
Accepted by ICCV2023