像病理学家一样学习：基于标注者一致性的课程学习用于组织病理学图像分类
计算机视觉与模式识别
2020-09-30 v1
摘要
应用课程学习既需要数据中具有难度梯度，也需要一种判定样本难度的方法。然而，在许多任务中，满足这些要求可能是艰巨挑战。在本文中，我们认为组织病理学图像分类是课程学习的一个引人注目的用例。基于组织病理学图像的性质，样本间天然存在难度梯度，并且由于医学数据集常由多名标注者标记，标注者一致性可用作给定样本难度的自然代理。因此，我们提出一种简单的课程学习方法，按标注者一致性确定的渐进更难图像进行训练。我们在具有挑战性且临床重要的结直肠息肉分类任务上验证我们的假设。该任务中常规训练达到 83.7% 的 AUC，而采用我们所提课程学习方法训练的模型达到 88.2% 的 AUC，提升 4.5%。我们的工作旨在启发研究者在选择课程学习应用情境时更具创造性与严谨性。
引用
@article{arxiv.2009.13698,
title = {Learn like a Pathologist: Curriculum Learning by Annotator Agreement for Histopathology Image Classification},
author = {Jerry Wei and Arief Suriawinata and Bing Ren and Xiaoying Liu and Mikhail Lisovsky and Louis Vaickus and Charles Brown and Michael Baker and Mustafa Nasir-Moin and Naofumi Tomita and Lorenzo Torresani and Jason Wei and Saeed Hassanpour},
journal= {arXiv preprint arXiv:2009.13698},
year = {2020}
}