基于图神经网络的组织病理学图像表示学习
图像与视频处理
2020-04-20 v2 计算机视觉与模式识别
机器学习
摘要
全切片图像（WSIs）的表示学习对于开发基于图像的系统以在诊断病理学中实现更高精度至关重要。我们提出一种用于WSI表示学习的两阶段框架。我们使用基于颜色的方法采样相关图块，并利用图神经网络学习采样图块间的关系，将图像信息聚合为单一向量表示。我们通过图池化引入注意力以自动推断具有更高相关性的图块。我们展示了该方法在区分两种肺癌亚型——肺腺癌（LUAD）和肺鳞状细胞癌（LUSC）——上的性能。我们从癌症基因组图谱（TCGA）数据集（最大的组织病理学图像公共存储库）收集了1,026张40放大的肺癌WSI，并通过从预训练的DenseNet提取特征，在肺癌亚型分类上达到了88.8%的最先进准确率和0.89的AUC。
引用
@article{arxiv.2004.07399,
title = {Representation Learning of Histopathology Images using Graph Neural Networks},
author = {Mohammed Adnan and Shivam Kalra and Hamid R. Tizhoosh},
journal= {arXiv preprint arXiv:2004.07399},
year = {2020}
}
备注
Published in CVMI at CVPR Workshops, 2020