VOLTA：一种用于组织病理学的环境感知对比式细胞表征学习框架
图像与视频处理
2023-03-09 v1 计算机视觉与模式识别
机器学习
定量方法
摘要
在临床实践中，许多诊断任务依赖于在组织病理学图像中识别细胞。虽然监督式机器学习技术需要标签，但由于细胞数量庞大，提供手动细胞标注十分耗时。在本文中，我们提出了一种自监督框架（VOLTA），用于组织病理学图像中的细胞表征学习，其采用一种新技术，考虑细胞与其所处环境的相互关系以改进细胞表征。我们在来自全球多个机构收集的数据上对我们的模型进行了广泛实验，数据包含超过 700,000 个细胞、四种癌症类型，以及每个数据集三至六类的细胞类型。结果表明，我们的模型在细胞表征学习上优于最先进的模型。为展示我们所提框架的潜在能力，我们将 VOLTA 应用于样本量极小的卵巢癌和子宫内膜癌（10-20 个样本），并证明我们的细胞表征可用于识别已知的卵巢癌组织亚型，并提供联系子宫内膜癌组织病理学与分子亚型的全新见解。与需要大样本量训练的监督式深度学习模型不同，我们提供了一种在样本量有限情况下无需任何标注数据即可赋能新发现的框架。
引用
@article{arxiv.2303.04696,
title = {VOLTA: an Environment-Aware Contrastive Cell Representation Learning for Histopathology},
author = {Ramin Nakhli and Allen Zhang and Hossein Farahani and Amirali Darbandsari and Elahe Shenasa and Sidney Thiessen and Katy Milne and Jessica McAlpine and Brad Nelson and C Blake Gilks and Ali Bashashati},
journal= {arXiv preprint arXiv:2303.04696},
year = {2023}
}