面向全切片组织病理图像分析的病灶感知对比表示学习
计算机视觉与模式识别
2022-06-28 v1
摘要
局部表示学习一直是提升全切片组织病理图像（WSI）分析性能的关键挑战。以往的表示学习方法遵循监督学习范式。然而，大规模 WSI 的人工标注耗时耗力。因此，自监督对比学习近期受到广泛关注。现有对比学习方法将每个样本视为单一类别，存在类碰撞问题，在组织病理图像分析领域尤为严重。本文提出一种名为病灶感知对比学习（LACL）的新型对比表示学习框架，用于全切片组织病理图像分析。我们基于记忆库结构构建病灶队列以存储不同类别 WSI 的表示，使对比模型能够在训练过程中选择性地定义负样本对。此外，我们设计了一种队列精炼策略以净化存储在病灶队列中的表示。实验结果表明，LACL 在不同数据集的组织病理图像表示学习中取得最佳性能，并在不同 WSI 分类基准下优于最先进方法。代码见 https://github.com/junl21/lacl。
引用
@article{arxiv.2206.13115,
title = {Lesion-Aware Contrastive Representation Learning for Histopathology Whole Slide Images Analysis},
author = {Jun Li and Yushan Zheng and Kun Wu and Jun Shi and Fengying Xie and Zhiguo Jiang},
journal= {arXiv preprint arXiv:2206.13115},
year = {2022}
}
备注
accepted for MICCAI 2022