自监督缩小组织学中级弱监督与强监督之间的差距
图像与视频处理
2020-12-08 v1 计算机视觉与模式识别
摘要
将机器学习应用于组织病理学的最大挑战之一是弱监督：全切片图像拥有数十亿像素却往往只有一个全局标签。因此，最先进的方法依赖于使用领域专家提供的额外局部标注进行强监督模型训练。然而，在缺乏详细标注的情况下，大多数弱监督方法依赖于在 ImageNet 上预训练的冻结特征提取器。我们将此确定为一个关键弱点，并提议使用近期自监督学习算法 MoCo v2 在组织学图像上训练一个域内特征提取器。在 Camelyon16 和 TCGA 上的实验结果表明，所提出的提取器大幅优于其 ImageNet 对应物。特别地，我们的结果将 Camelyon16 上的弱监督最先进水平从 91.4% AUC 提升至 98.7% AUC，从而缩小了与达到 99.3% AUC 的强监督模型之间的差距。通过这些实验，我们证明了通过自监督学习训练的特征提取器可作为直接替代组件，显著改进组织学中现有的机器学习技术。最后，我们展示了所学嵌入空间呈现出具有生物学意义的组织结构分离。
引用
@article{arxiv.2012.03583,
title = {Self-Supervision Closes the Gap Between Weak and Strong Supervision in Histology},
author = {Olivier Dehaene and Axel Camara and Olivier Moindrot and Axel de Lavergne and Pierre Courtiol},
journal= {arXiv preprint arXiv:2012.03583},
year = {2020}
}
备注
Accepted as a poster for the ML4H 2020 NeurIPS workshop