利用自监督学习的多模态广义零样本学习用于Gleason分级
计算机视觉与模式识别
2021-11-16 v1 机器学习
图像与视频处理
摘要
从组织病理学图像进行Gleason分级对于准确的前列腺癌（PCa）诊断至关重要。由于此类图像是在侵入性组织切除后获得的，在现有范式下快速诊断具有挑战性。我们提出一种从磁共振（MR）图像预测Gleason分级的方法，MR图像是非介入性的且易于获取。我们在广义零样本学习（GZSL）设定下解决该问题，因为我们可能无法访问每个疾病分级的训练图像。通过结合自监督学习的条件变分自编码器（CVAE）利用Gleason分级的有序性质，生成未见分级（类别）的合成MRI特征向量。使用cycle GAN生成相应的组织病理学特征，并与MR特征结合以预测测试图像的Gleason分级。实验结果表明，我们的方法在GZSL上优于竞争的特征生成方法，并接近全监督方法的性能。
引用
@article{arxiv.2111.07646,
title = {Multimodal Generalized Zero Shot Learning for Gleason Grading using Self-Supervised Learning},
author = {Dwarikanath Mahapatra},
journal= {arXiv preprint arXiv:2111.07646},
year = {2021}
}