LESS：用于细胞学全切片图像筛查的标签高效多尺度学习
图像与视频处理
2023-09-21 v2 计算机视觉与模式识别
摘要
在计算病理学中，多示例学习（MIL）被广泛用于规避吉像素全切片图像（WSI）分析中的计算瓶颈。它通常包括两个阶段：补丁级特征提取与切片级聚合。近来，预训练模型或自监督学习已被用于提取补丁特征，但由于忽视了切片标签所提供的任务特定监督，它们存在效率低或效果差的问题。在此，我们提出一种弱监督的标签高效 WSI 筛查方法，称为 LESS，用于仅使用切片级标签的细胞学 WSI 分析，其可有效应用于小数据集。首先，我们建议使用变分正-无标记（VPU）学习来揭示良性与恶性补丁的隐藏标签。我们利用切片级标签提供适当监督以改进补丁级特征的学习。接下来，我们考虑了细胞学 WSI 中细胞的稀疏与随机排布。为此，我们提出一种在多尺度上裁剪补丁的策略，并利用交叉注意力视觉 Transformer（CrossViT）结合不同尺度的信息用于 WSI 分类。我们两步的结合实现了任务对齐，提升了效果与效率。我们在一个包含 130 个样本（13,000 个补丁）的尿液细胞学 WSI 数据集以及含 212 个样本（21,200 个补丁）的 FNAC 2019 数据集上验证了所提标签高效方法。实验表明，所提 LESS 在尿液细胞学 WSI 数据集上准确率、AUC、灵敏度与特异度分别达到 84.79%、85.43%、91.79% 和 78.30%，在 FNAC 2019 数据集上分别达到 96.88%、96.86%、98.95%、97.06%。它优于最先进的病理学 WSI 上的 MIL 方法，并实现了自动细胞学 WSI 癌症筛查。
引用
@article{arxiv.2306.03407,
title = {LESS: Label-efficient Multi-scale Learning for Cytological Whole Slide Image Screening},
author = {Beidi Zhao and Wenlong Deng and Zi Han and Li and Chen Zhou and Zuhua Gao and Gang Wang and Xiaoxiao Li},
journal= {arXiv preprint arXiv:2306.03407},
year = {2023}
}
备注
This paper was submitted to Medical Image Analysis. It is under review