学习低维流形用于组织微阵列图像评分
计算机视觉与模式识别
2021-02-24 v1 人工智能
机器学习
摘要
组织微阵列（TMA）图像已成为癌症研究和生物标志物验证的重要高通量工具。人们已付出诸多努力以进一步提高 TACOMA（一种前沿的 TMA 图像自动评分算法）的准确性。一个主要进展来自 deepTacoma，一种融入了合适群组性质深度表示的算法。受半监督学习与深度学习近期进展的启发，我们提出 mfTacoma，在 TMA 图像评分背景下学习替代性的深度表示。具体而言，mfTacoma 学习低维流形，即高维数据中常见的潜在结构。深度表示学习与流形学习通常需要大量数据。通过将流形的深度表示编码为正则化特征，mfTacoma 有效利用了可能因数据量小而不够精细的流形信息。我们的实验表明，基于流形的深度特征优于两种替代方案——基于主成分分析的线性流形深度特征，或利用群组性质的深度特征。
引用
@article{arxiv.2102.11396,
title = {Learning Low-dimensional Manifolds for Scoring of Tissue Microarray Images},
author = {Donghui Yan and Jian Zou and Zhenpeng Li},
journal= {arXiv preprint arXiv:2102.11396},
year = {2021}
}
备注
15 pages, 6 figures