基于多倍率集成从粗标注中鲁棒检测肿瘤
计算机视觉与模式识别
2023-03-30 v1
摘要
从染色组织标本的十亿像素全切片图像中进行癌症检测与分类，在计算组织病理学领域近期取得了巨大进展。可用像素级标注扫描片的局限，使研究重点从肿瘤定位转向基于（弱监督）多示例学习的全局切片级分类，尽管局部癌症检测具有临床重要性。然而，与全监督方法相比，这些技术的较差性能限制了其在癌症等危及生命疾病的诊断干预中的应用。本工作中，我们将重点重新放回以块级分类任务形式的肿瘤定位，并采用所谓粗标注的设置，其在提供更强训练监督的同时从临床角度看仍可行。为此，我们提出一种新颖的集成方法，不仅在开放的乳腺癌患者前哨淋巴结CAMELYON16数据集上显著提升转移检测精度，还在粗标注训练时显著增强其对噪声的鲁棒性。我们的实验表明，采用我们的技术可取得更优结果，使其在癌症诊断中临床可行，并为转化与临床研究开辟新途径。
引用
@article{arxiv.2303.16533,
title = {Robust Tumor Detection from Coarse Annotations via Multi-Magnification Ensembles},
author = {Mehdi Naouar and Gabriel Kalweit and Ignacio Mastroleo and Philipp Poxleitner and Marc Metzger and Joschka Boedecker and Maria Kalweit},
journal= {arXiv preprint arXiv:2303.16533},
year = {2023}
}