面向数字病理学的旋转无关图像表示学习
计算机视觉与模式识别
2024-03-13 v2
摘要
本文通过三项关键贡献解决组织病理学图像分析中的复杂挑战。首先，它引入了一种用于全切片图像（WSI）分析的快速补丁选择方法 FPS，在保持精度的同时显著降低计算成本。其次，它提出了 PathDino，一种轻量级组织病理学特征提取器，其最小配置为五个 Transformer 块且仅 900 万参数，明显少于其他方案。第三，它引入了一种使用自监督学习的旋转无关表示学习范式，有效缓解过拟合。我们还表明，我们的紧凑模型在 12 个多样数据集上优于现有的最先进的组织病理学专用视觉 Transformer，包括跨越四个部位（乳腺、肝脏、皮肤和乙状结肠直肠）的内部数据集以及七个公共数据集（PANDA、CAMELYON16、BRACS、DigestPath、Kather、PanNuke 和 WSSS4LUAD）。值得注意的是，即使使用来自 The Cancer Genome Atlas (TCGA) 的 600 万组织病理学补丁训练集，我们的方法在补丁级多数投票性能上仍展现出平均 8.5% 的提升。这些贡献为增强数字病理学中的图像分析提供了鲁棒框架，并通过广泛评估进行了严格验证。项目页面：https://kimialabmayo.github.io/PathDino-Page/
引用
@article{arxiv.2311.08359,
title = {Rotation-Agnostic Image Representation Learning for Digital Pathology},
author = {Saghir Alfasly and Abubakr Shafique and Peyman Nejat and Jibran Khan and Areej Alsaafin and Ghazal Alabtah and H. R. Tizhoosh},
journal= {arXiv preprint arXiv:2311.08359},
year = {2024}
}
备注
CVPR 2024 - 23 pages, 10 figures, and 18 tables