用于组织病理学结肠癌细胞核检索的联合三元组自编码器
计算机视觉与模式识别
2021-05-25 v2
摘要
深度学习在视觉任务性能上已取得巨大提升。图像检索是从数据库中为查询图像提取视觉相似图像的任务，通过特征匹配对图像排序。过去已衍生出多种手工设计特征来表示图像。如今，在生物医学图像分析领域，正利用深度学习的能力从数据中自动学习特征。自编码器和连体网络是两种用于学习潜空间（即特征或嵌入）的深度学习模型。自编码器基于从潜空间重建图像工作；连体网络利用三元组学习类内相似性与类间差异性。此外，自编码器是无监督的，而连体网络是有监督的。我们提出一种联合三元组自编码器网络(JTANet)，在自编码器框架中引入三元组学习，对连体网络进行联合有监督学习、对自编码器进行无监督学习。自编码器的编码器网络与连体网络共享，称为Siamcoder网络。使用训练好的Siamcoder网络提取特征以用于检索。实验在组织病理学常规结肠癌数据集上进行。我们观察到，所提JTANet模型在组织病理学图像中结肠癌细胞核检索上相较自编码器与连体模型具有 promising 性能。
引用
@article{arxiv.2105.10262,
title = {Joint Triplet Autoencoder for Histopathological Colon Cancer Nuclei Retrieval},
author = {Satya Rajendra Singh and Shiv Ram Dubey and Shruthi MS and Sairathan Ventrapragada and Saivamshi Salla Dasharatha},
journal= {arXiv preprint arXiv:2105.10262},
year = {2021}
}