一个模型足矣：多任务学习实现组织学图像分割与分类同步
图像与视频处理
2022-11-15 v2 计算机视觉与模式识别
摘要
数字化病理切片图像分析性能近期的飙升主要归功于深度学习的进展。深度模型可用于初步定位组织中的各种结构，从而有助于提取可解释特征以发现生物标志物。然而，这些模型通常为单一任务训练，因此当我们希望将模型适配于越来越多不同任务时扩展性差。此外，有监督深度学习模型极耗数据，因而依赖大量训练数据才能表现良好。本文提出一种多任务学习方法，用于细胞核、腺体、管腔及不同组织区域的分割与分类，其利用来自多个独立数据源的数据。在确保各任务按相同组织类型与分辨率对齐的同时，我们使单一网络能进行有意义的同步预测。得益于特征共享，我们还表明所学表示可通过迁移学习提升额外任务（包括核分类与印戒细胞癌检测）的性能。作为本工作一部分，我们在海量数据上训练所开发的Cerberus模型，包含超60万分割对象和44万分类块。我们用该方法处理来自TCGA的599张结直肠全切片图像，分别定位出3.77亿、90万和210万细胞核、腺体与管腔，并将结果提供给学界用于下游分析。
引用
@article{arxiv.2203.00077,
title = {One Model is All You Need: Multi-Task Learning Enables Simultaneous Histology Image Segmentation and Classification},
author = {Simon Graham and Quoc Dang Vu and Mostafa Jahanifar and Shan E Ahmed Raza and Fayyaz Minhas and David Snead and Nasir Rajpoot},
journal= {arXiv preprint arXiv:2203.00077},
year = {2022}
}