RMDL：用于全切片胃图像分类的再校准多示例深度学习
计算机视觉与模式识别
2020-10-14 v1
摘要
全切片组织病理学图像（WSIs）在胃癌诊断中起着关键作用。然而，由于 WSI 规模庞大且异常区域大小不一，在自动诊断过程中如何选择信息丰富的区域并进行分析极具挑战性。基于最具判别性示例的多示例学习对全切片胃图像诊断大有裨益。本文中，我们设计了一种再校准多示例深度学习方法（RMDL）来解决这一难题。我们首先选取判别性示例，然后利用这些示例基于所提出的 RMDL 方法进行疾病诊断。所设计的 RMDL 网络能够捕捉示例间的依赖关系，并根据从融合特征中学习到的重要性系数对示例特征进行再校准。此外，我们构建了一个带有详细像素级标注的大规模全切片胃组织病理学图像数据集。在所构建的胃数据集上的实验结果表明，与其他最先进的多示例学习方法相比，我们提出的框架在准确性上取得了显著提升。此外，我们的方法具有通用性，可扩展至基于 WSI 的不同癌症类型的其他诊断任务。
引用
@article{arxiv.2010.06440,
title = {RMDL: Recalibrated multi-instance deep learning for whole slide gastric image classification},
author = {Shujun Wang and Yaxi Zhu and Lequan Yu and Hao Chen and Huangjing Lin and Xiangbo Wan and Xinjuan Fan and Pheng-Ann Hen},
journal= {arXiv preprint arXiv:2010.06440},
year = {2020}
}
备注
Accepted at Medical Image Analysis. Code: https://github.com/EmmaW8/RMDL