用于计算病理学的方向解耦无监督表示学习
图像与视频处理
2020-08-27 v1 计算机视觉与模式识别
摘要
无监督学习使得无需标注即可对复杂图像进行建模。此类模型学习到的表示可以促进对大型图像数据集的任何后续分析。然而，导致图像中无关变化的一些生成因素可能会在这种学习到的表示中发生耦合，从而对后续的任何使用产生负面影响。例如，成像对象的方向通常是任意的或无关的，因此期望学习一种将方向信息与所有其他因素解耦的表示。在此，我们提出通过利用旋转等变卷积网络的群结构来扩展变分自编码器框架，以学习组织病理学图像中方向解耦的生成因素。通过这种方式，我们强制对潜在空间进行一种新颖的划分，使得有向分量和各向同性分量得以分离。我们在一个由组织区域组成的数据集上评估了这种结构化表示，该数据集中的核多形性和有丝分裂活性已由专家病理学家评估。我们表明，训练好的模型能够有效地解耦单细胞图像固有的方向信息。与经典方法相比，由此产生的细胞亚群聚合表示在后续任务中产生了更高的性能。
引用
@article{arxiv.2008.11673,
title = {Orientation-Disentangled Unsupervised Representation Learning for Computational Pathology},
author = {Maxime W. Lafarge and Josien P. W. Pluim and Mitko Veta},
journal= {arXiv preprint arXiv:2008.11673},
year = {2020}
}