基于生成对抗网络的组织病理学图像中细胞级视觉表示的无监督学习
计算机视觉与模式识别
2018-07-10 v4
摘要
细胞的视觉属性，如核形态与染色质开放度，对组织病理学图像分析至关重要。通过学习细胞级视觉表示，我们可以获得丰富且高度可复用于多种任务的特征组合，如细胞级分类、细胞核分割与细胞计数。本文提出一种统一的生成对抗网络(GAN)架构，配以新的损失形式，在无监督设定下实现鲁棒的细胞级视觉表示学习。我们的模型不仅无需标签、易于训练，还能够以可解释可视化进行细胞级无监督分类，在骨髓细胞成分的无监督分类中取得有前景的结果。基于所提出的细胞级视觉表示学习，我们进一步开发了一种利用多种细胞元件进行组织病理学图像分类的流程，其在骨髓数据集上的优势得到了展示。
引用
@article{arxiv.1711.11317,
title = {Unsupervised Learning for Cell-level Visual Representation in Histopathology Images with Generative Adversarial Networks},
author = {Bo Hu and Ye Tang and Eric I-Chao Chang and Yubo Fan and Maode Lai and Yan Xu},
journal= {arXiv preprint arXiv:1711.11317},
year = {2018}
}
备注
Accepted for publication in IEEE Journal of Biomedical and Health Informatics