将组织学原型混合为鲁棒的切片级表征用于癌症分型
计算机视觉与模式识别
2023-10-20 v1
摘要
通过计算病理学的手段进行全切片图像分析通常依赖于处理被分块的海量像素图像，且仅提供切片级标签。应用基于多示例学习的方法或 transformer 模型在计算上代价高昂，因为对于每张图像，所有实例必须同时被处理。MLP-Mixer 是一种未被充分探索的、相对于常见视觉 transformer 的替代模型，尤其适用于大规模数据集。由于缺乏自注意力机制，它们对输入块数量具有线性计算复杂度，但在自然图像数据集上取得了可比的性能。我们提出一种特征嵌入与聚类的组合，将完整的全切片图像预处理为精简的原型表征，随后可作为合适的 MLP-Mixer 架构的输入。我们在两个公共基准和一个内部恶性淋巴瘤数据集上的实验显示出与当前最先进（SOTA）方法可比的性能，同时在计算时间和内存负载方面实现了更低的训练成本。代码公开于 https://github.com/butkej/ProtoMixer。
引用
@article{arxiv.2310.12769,
title = {Mixing Histopathology Prototypes into Robust Slide-Level Representations for Cancer Subtyping},
author = {Joshua Butke and Noriaki Hashimoto and Ichiro Takeuchi and Hiroaki Miyoshi and Koichi Ohshima and Jun Sakuma},
journal= {arXiv preprint arXiv:2310.12769},
year = {2023}
}
备注
The final authenticated publication is available online at https://doi.org/10.1007/978-3-031-45676-3_12