Self-Path：基于自监督的有限标注病理图像分类方法
计算机视觉与模式识别
2020-08-14 v1 图像与视频处理
摘要
尽管高分辨率病理图像非常适合于“数据饥渴”的深度学习算法，但在这些图像上获取详尽标注是一项重大挑战。本文中，我们提出一种自监督 CNN 方法，以利用无标签数据学习病理图像中可泛化且域不变的表征。我们所提出的方法称为 Self-Path，是一种多任务学习方法，其中主任务是组织分类，而 pretext 任务是多种标签内嵌于输入数据的自监督任务。我们引入了新颖的域特定自监督任务，利用病理图像中的上下文、多分辨率与语义特征进行半监督学习与域适应。我们在 3 个不同病理数据集上考察了 Self-Path 的有效性。我们的结果表明，在仅有少量标注数据时，带有域特定 pretext 任务的 Self-Path 在半监督学习中达到了最先进的性能。此外，我们展示了当目标域没有可用标注数据时，Self-Path 改进了组织学图像块分类的域适应。该方法有望应用于计算病理学中其他标注预算有限或存在大量无标签图像数据的场景。
引用
@article{arxiv.2008.05571,
title = {Self-Path: Self-supervision for Classification of Pathology Images with Limited Annotations},
author = {Navid Alemi Koohbanani and Balagopal Unnikrishnan and Syed Ali Khurram and Pavitra Krishnaswamy and Nasir Rajpoot},
journal= {arXiv preprint arXiv:2008.05571},
year = {2020}
}