互对比低秩学习解耦全切片图像表征用于胶质瘤分级
图像与视频处理
2022-10-05 v2 计算机视觉与模式识别
摘要
全切片图像（WSI）为肿瘤的组织学评估与恶性分级提供了有价值的表型信息。基于 WSI 的分级有望提供快速诊断支持并推动数字健康。目前最常用的 WSI 来源于福尔马林固定石蜡包埋（FFPE）和冰冻切片。大多数自动肿瘤分级模型基于 FFPE 切片开发，可能受组织处理引入的伪影影响。冰冻切片存在质量低等问题，也可能影响单模态内的训练。为克服单模态训练中的此问题并在脑肿瘤中实现更好的多模态与判别性表征解耦，我们提出一种互对比低秩学习（MCL）方案，整合 FFPE 与冰冻切片用于胶质瘤分级。我们首先设计一种互学习方案，基于 FFPE 与冰冻切片联合优化模型训练。在该方案中，我们设计了归一化模态对比损失（NMC-loss），可促进解耦同一患者 FFPE 与冰冻切片的多模态互补表征。为降低类内方差并在患者内与患者间层面增大类间间隔，我们施加低秩（LR）损失。我们的实验表明，所提方案优于基于单一模态或混合模态训练的模型，甚至改进了经典基于注意力的多实例学习（MIL）方法中的特征提取。NMC-loss 与低秩损失的组合优于其他典型对比损失函数。
引用
@article{arxiv.2203.04013,
title = {Mutual Contrastive Low-rank Learning to Disentangle Whole Slide Image Representations for Glioma Grading},
author = {Lipei Zhang and Yiran Wei and Ying Fu and Stephen Price and Carola-Bibiane Schönlieb and Chao Li},
journal= {arXiv preprint arXiv:2203.04013},
year = {2022}
}
备注
14 pages, 4 figures, 3 tables; This paper was accepted by BMVC 2022