基于无监督互Transformer学习的十亿像素级全切片图像分类
计算机视觉与模式识别
2023-05-04 v1 机器学习
摘要
十亿像素级全切片图像（WSI）分类是计算病理学新兴领域中的一项重要预测任务。针对 WSI 分类的深度学习模型研究激增，其临床应用包括癌症检测或从 WSI 预测分子突变。大多数方法需要专家病理医生进行昂贵且劳动密集的手动标注。弱监督多示例学习（MIL）方法近期展现出优异性能；然而，它们仍需要大规模的切片级标注训练数据集，而每个切片都需专家病理医生仔细审阅。在这项工作中，我们提出一种基于互 Transformer 学习的全无监督 WSI 分类算法。来自十亿像素 WSI 的实例（即图像块）被变换到潜在空间，然后逆变换回原始空间。利用变换损失生成伪标签，并使用 Transformer 标签清洗器进行清洗。所提出的基于 Transformer 的伪标签生成与清洗模块以无监督方式相互迭代训练。引入一种判别学习机制以改善正常与癌变实例的标注。除无监督分类外，我们还将所提框架作为下游分析应用于癌症亚型分类的弱监督，并展示了其有效性。在四个公开数据集上的大量实验表明，与最先进方法相比具有优异性能。我们计划很快公开算法的源代码。
引用
@article{arxiv.2305.02032,
title = {Unsupervised Mutual Transformer Learning for Multi-Gigapixel Whole Slide Image Classification},
author = {Sajid Javed and Arif Mahmood and Talha Qaiser and Naoufel Werghi and Nasir Rajpoot},
journal= {arXiv preprint arXiv:2305.02032},
year = {2023}
}