用于自监督细胞核编码的尺度依赖层
计算机视觉与模式识别
2022-07-25 v1
摘要
自监督学习的最新进展使我们能够进一步减少多步骤流程中的人工干预，其中关注点围绕特定的感兴趣对象。在本文中，关注点在于组织病理学图像中的细胞核。具体而言，我们的目标是以无监督方式提取细胞信息用于下游任务。由于细胞核呈现出多种尺寸，我们提出了一种新的尺度依赖卷积层，以规避在调整细胞核大小时出现的缩放问题。在三个细胞核数据集上，我们对以下方法进行了基准测试：手工特征、预训练 ResNet、有监督 ResNet 和自监督特征。我们表明，所提出的卷积层提升了性能，并且该层与 Barlows-Twins 相结合，在低样本设置下相比有监督范式能够实现更好的细胞核编码，并优于所有其他提出的无监督方法。此外，我们扩展了现有的 TNBC 数据集以加入细胞核类别标注，从而丰富并公开发布一个用于细胞核分割与分类的小样本设置数据集。
引用
@article{arxiv.2207.10950,
title = {Scale dependant layer for self-supervised nuclei encoding},
author = {Peter Naylor and Yao-Hung Hubert Tsai and Marick Laé and Makoto Yamada},
journal= {arXiv preprint arXiv:2207.10950},
year = {2022}
}
备注
13 pages, 6 figures, 2 tables