面向数字病理图像的半监督对比变分自编码器 Disentanglement 方法
图像与视频处理
2024-10-04 v1 计算机视觉与模式识别
摘要
尽管深度学习模型具有强大的预测能力，但其可解释性仍是一个重要关注点。Disentanglement 模型通过将潜空间分解为可解释子空间来提高可解释性。本文提出了首个针对病理图像的 Disentanglement 方法。我们聚焦于检测肿瘤浸润淋巴细胞（TIL）的任务。我们提出了不同的想法，包括级联 Disentanglement、新型架构和重建分支。我们在复杂病理图像上实现了卓越的性能，从而提高了 TIL 检测深度学习模型的可解释性甚至泛化能力。我们的代码已提供于 https://github.com/Shauqi/SS-cVAE。
引用
@article{arxiv.2410.02012,
title = {Semi-Supervised Contrastive VAE for Disentanglement of Digital Pathology Images},
author = {Mahmudul Hasan and Xiaoling Hu and Shahira Abousamra and Prateek Prasanna and Joel Saltz and Chao Chen},
journal= {arXiv preprint arXiv:2410.02012},
year = {2024}
}