S$^3$R：面向高光谱组织病理图像分类的自监督光谱回归方法
计算机视觉与模式识别
2022-09-20 v1
摘要
受益于高光谱图像（HSI）中丰富而详尽的光谱信息，HSI 在计算病理学等广泛的医学应用中具有巨大潜力。但是，标注数据的缺乏以及 HSI 的高空间-光谱维度通常使分类网络易于过拟合。因此，学习可迁移至下游任务的通用表示至关重要。据我们所知，目前尚未有专为组织病理 HSI 设计的合适自监督预训练方法。本文中，我们提出一种高效且有效的自监督光谱回归（SR）方法，其利用了 HSI 光谱域中的低秩特性。更具体地，我们提出学习一组线性系数，通过掩蔽某些波段，用其余波段来表示被掩蔽的波段；随后，利用所学系数对剩余波段重新加权以恢复该波段。我们设计了两个预文本任务：（1）SR-CR，回归线性系数，使预训练模型理解 HSI 的固有结构及不同形态的病理特征；（2）SR-BR，回归缺失波段，使模型学习 HSI 的整体语义。与先前针对自然图像设计的对比学习方法相比，SR 收敛速度至少快 3 倍，且在迁移至 HSI 分类任务时准确率提升高达 14%。
引用
@article{arxiv.2209.08770,
title = {S$^3$R: Self-supervised Spectral Regression for Hyperspectral Histopathology Image Classification},
author = {Xingran Xie and Yan Wang and Qingli Li},
journal= {arXiv preprint arXiv:2209.08770},
year = {2022}
}