通过数字病理中的弱标签块分类以更少数据学习
计算机视觉与模式识别
2020-01-23 v3
摘要
在数字病理（DP）中，由于需要医学专家提供标注，标记数据通常非常稀缺。我们通过从弱标签数据中学习可迁移特征来解决此问题，这些弱标签数据收集自身体各个部位并由非医学专家组织。在本文中，我们表明从此类弱标签数据集学习到的特征确实可迁移，并使我们能够在使用少一个数量级标记数据的情况下，在结直肠癌（CRC）数据集 [1] 和 PatchCamelyon（PCam）数据集 [2] 上取得极具竞争力的块分类结果。
引用
@article{arxiv.1911.12425,
title = {Learning with less data via Weakly Labeled Patch Classification in Digital Pathology},
author = {Eu Wern Teh and Graham W. Taylor},
journal= {arXiv preprint arXiv:1911.12425},
year = {2020}
}
备注
To appear in IEEE International Symposium on Biomedical Imaging (ISBI) 2020