基于多方向对比预测编码的病理图像无监督表示学习
计算机视觉与模式识别
2021-05-13 v1 机器学习
摘要
数字病理任务已极大受益于现代深度学习算法。然而，其对大量标注数据的需求已被视为一项关键挑战。在数据丰富但标注获取受限的情况下，可通过无监督学习来应对这一数据需求。利用对比预测编码（CPC）从未标注数据中学习到的特征表示，已证明能使分类器从相对较少量的标注计算机视觉数据中取得最先进的性能。我们提出了一种针对数字病理图像块使用的CPC框架修改方案。这是通过引入一种用于构建潜在上下文的替代掩码，并使用多方向PixelCNN自回归器来实现的。为展示我们所提方法，我们从Patch Camelyon组织学数据集学习特征表示。我们表明，我们所提出的修改能够改善组织学图像块的深度分类。
引用
@article{arxiv.2105.05345,
title = {Unsupervised Representation Learning from Pathology Images with Multi-directional Contrastive Predictive Coding},
author = {Jacob Carse and Frank Carey and Stephen McKenna},
journal= {arXiv preprint arXiv:2105.05345},
year = {2021}
}
备注
5 pages, 4 figures, presented at IEEE International Symposium on Biomedical Imaging (ISBI) 2021