多示例图像描述：从组织病理学教科书与文献中学习表征
计算机视觉与模式识别
2021-03-10 v1 人工智能
摘要
我们提出 ARCH，一个计算病理学（CP）多示例图像描述数据集，以促进对 CP 任务的密集监督。现有 CP 数据集聚焦于狭窄任务；而 ARCH 则包含针对一系列染色、组织类型和病理学的密集诊断与形态学描述。利用本征维数估计，我们表明 ARCH 是唯一一个（ARCH-）可与其计算机视觉对应物 MS-COCO Captions 相媲美的 CP 数据集。我们推测，在密集图像描述上预训练的编码器能为大多数 CP 任务学习可迁移表征。我们以如下证据支持该推测：ARCH 表征迁移到多种病理学子任务上优于 ImageNet 特征或通过仅在病理学图像上的自监督或多任务学习获得的表征。我们发布我们的最佳模型，并邀请其他研究者在其 CP 任务上测试它。
引用
@article{arxiv.2103.05121,
title = {Multiple Instance Captioning: Learning Representations from Histopathology Textbooks and Articles},
author = {Jevgenij Gamper and Nasir Rajpoot},
journal= {arXiv preprint arXiv:2103.05121},
year = {2021}
}
备注
Accepted at CVPR 2021