基于有限肿瘤数据的全切片成像癌症转移检测与定位
图像与视频处理
2023-03-21 v1 计算机视觉与模式识别
摘要
近年来，多种深度学习方法在医学图像分析中取得了显著成功，尤其是在苏木精-伊红（H&E）染色的全切片图像（WSIs）中癌症转移的检测方面。然而，为了获得良好性能，这些研究成果依赖于数百张标注良好的 WSIs。在本研究中，我们针对少标注全切片图像设定下的肿瘤定位与检测问题，并引入了一种基于最新逆向知识蒸馏架构的块级分析流程。为解决训练样本采集中正常与肿瘤样本极度不平衡的问题，我们将 focal loss 公式应用于表征相似性度量以进行模型优化。与先前方法相比，我们的方法在公开 Camelyon16 数据集上仅使用不到百分之十的训练样本即取得了相近性能。此外，这是首项展示知识蒸馏模型在计算组织病理学中的巨大潜力的研究工作。
引用
@article{arxiv.2303.10342,
title = {Whole-slide-imaging Cancer Metastases Detection and Localization with Limited Tumorous Data},
author = {Yinsheng He and Xingyu Li},
journal= {arXiv preprint arXiv:2303.10342},
year = {2023}
}
备注
8 pages, 3 figures, 3 tables, 1 appendix