用于全切片组织病理图像多标签标注的 Patch Transformer
计算机视觉与模式识别
2019-07-05 v3
摘要
由于当前组织病理学中收集的全切片图像（WSI）数量与多样性不断增加，自动化 WSI 标注已成为日益增长的需求。已有多种方法研究具有单标签的 WSI 分类，但无一关注以多标签标注 WSI。为此，我们提出了一种名为 Patch Transformer 的新型端到端可训练深度神经网络，它可基于标签间的相关性与独特性，从 WSI 图块有效预测多个切片级标签。具体而言，所提方法学习图块特征时考虑了：1）通过图块变换模块的图块间关系；2）通过多标签注意力模块的每个标注任务的标签间独特性。在一个由 4,920 张 WSI 组成的大型多样数据集上的大量实验证明了所提模型的有效性。
引用
@article{arxiv.1906.04151,
title = {Patch Transformer for Multi-tagging Whole Slide Histopathology Images},
author = {Weijian Li and Viet-Duy Nguyen and Haofu Liao and Matt Wilder and Ke Cheng and Jiebo Luo},
journal= {arXiv preprint arXiv:1906.04151},
year = {2019}
}
备注
To appear at the International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI-19)