以少得多：面向常规组织病理学数据的自监督知识蒸馏
图像与视频处理
2023-07-24 v2 计算机视觉与模式识别
摘要
医学成像技术正在生成越来越大量、高质量且信息密集的数据。尽管取得了进展，但先进成像技术在研究和诊断中的实际应用仍受到成本和可用性的限制，因此在实践中依赖于 H&E 染色等信息稀疏的数据。对病变组织的研究需要能够利用这些信息密集的数据从常规的、信息稀疏的数据中提取更多价值的方法。使用自监督深度学习，我们证明了在训练期间将知识从信息密集的数据蒸馏到仅需信息稀疏的数据即可进行推理的模型中是可行的。这提高了信息稀疏数据的下游分类准确率，使其可与全监督基线相媲美。我们发现这对学习到的表示有显著影响，并且该训练过程识别出了原本无法检测到的细微特征。这种方法使得设计仅需常规图像但包含来自最先进数据洞察的模型成为可能，从而更好地利用可用资源。
引用
@article{arxiv.2303.10656,
title = {More From Less: Self-Supervised Knowledge Distillation for Routine Histopathology Data},
author = {Lucas Farndale and Robert Insall and Ke Yuan},
journal= {arXiv preprint arXiv:2303.10656},
year = {2023}
}