基于数字病理视野扩展的自监督表示学习
图像与视频处理
2021-09-09 v1 计算机视觉与模式识别
摘要
组织病理学图像的检查被认为是癌症患者诊断和分层的金标准。分析此类图像的一个关键挑战是其尺寸，可达吉像素级，且需要临床医生繁琐的筛查。随着计算医学的最新进展，已提出自动工具以协助临床医生的日常实践。此类工具通常通过将大图像切分为图块来处理的，这些图块可被编码并用于不同的临床模型。在本研究中，我们提出了一种新颖的生成框架，可通过学习合理地扩展图块的视野来学习其强大表示。具体而言，我们开发了一种以视野扩展为目标的渐进生长生成模型。经此训练，我们的模型学会生成具有精细细节的不同组织类型，同时以自监督方式学习可用于不同临床终点的强大表示。为评估模型性能，我们在CAMELYON17和CRC基准数据集上进行了分类实验，结果优于数字病理中常用的其他自监督和预训练策略。我们的代码可在 https://github.com/jcboyd/cdpath21-gan 获取。
引用
@article{arxiv.2109.03299,
title = {Self-Supervised Representation Learning using Visual Field Expansion on Digital Pathology},
author = {Joseph Boyd and Mykola Liashuha and Eric Deutsch and Nikos Paragios and Stergios Christodoulidis and Maria Vakalopoulou},
journal= {arXiv preprint arXiv:2109.03299},
year = {2021}
}