使用深度多示例学习与对比预测编码的半监督组织学分类
计算机视觉与模式识别
2019-11-05 v3 组织与器官
摘要
卷积神经网络可以通过多示例学习（MIL）利用弱标注训练来执行组织学切片分类。然而，鉴于标注组织学数据的匮乏，直接应用 MIL 容易过拟合，并且由于弱监督信号，网络无法学习丰富的特征表示。我们提出用一种两阶段半监督方法来克服这些局限，该方法结合了通过对比预测编码（CPC）进行数据高效的自监督特征学习的威力，以及基于正则化注意力的 MIL 的可解释性和灵活性。我们将两阶段 CPC + MIL 半监督流程应用于乳腺癌组织学图像的二分类。在五次随机划分中，我们报告了最先进的性能，平均验证准确率为 95%，ROC 曲线下面积为 0.968。我们进一步评估了通过 CPC 学习的特征相对于简单迁移学习的质量，并表明即使在特征编码器冻结的情况下，使用 CPC 特征的强分类性能也可以在 MIL 框架下被高效利用。
引用
@article{arxiv.1910.10825,
title = {Semi-Supervised Histology Classification using Deep Multiple Instance Learning and Contrastive Predictive Coding},
author = {Ming Y. Lu and Richard J. Chen and Jingwen Wang and Debora Dillon and Faisal Mahmood},
journal= {arXiv preprint arXiv:1910.10825},
year = {2019}
}