面向数字病理学的自监督相似性学习
计算机视觉与模式识别
2020-01-14 v3
摘要
利用从 ImageNet 上预训练的网络提取的特征是数字病理学深度学习的常见做法。然而其缺点在于缺失领域特定的图像信息。在数字病理学中，有监督训练数据昂贵且难以收集。我们提出了一种通过全切片图像（WSI）上的相似性学习进行特征提取的自监督方法，该方法实现简单，并能创建鲁棒且紧凑的图像描述符。我们训练了一个孪生网络，利用图像空间连续性，并假设图像中空间相邻的图块彼此之间的相似性高于距离较远的图块。我们的网络输出长度为 128 的特征向量，相比在 ImageNet 上预训练的网络，可大幅降低内存存储并加快处理速度。我们将该方法应用于 Camelyon16 训练集中的数字病理学 WSI，并在 Camelyon16 测试集中通过测量肿瘤图块的图像检索以及远/近图块的描述符对距离比来评估并比较我们的方法。我们表明，我们的方法比现有的基于 ImageNet 和通用的自监督特征提取方法取得了更好的检索任务结果。据我们所知，这也是首个针对数字病理学定制的自监督学习发表方法。
引用
@article{arxiv.1905.08139,
title = {Self-Supervised Similarity Learning for Digital Pathology},
author = {Jacob Gildenblat and Eldad Klaiman},
journal= {arXiv preprint arXiv:1905.08139},
year = {2020}
}