HistoPerm:一种基于 permutation 的视图生成方法,用于改进 histopathologic 特性表示学习
Joseph DiPalma1, Lorenzo Torresani1, Saeed Hassanpour1,2,3
1Department of Computer Science, Dartmouth College, Hanover, NH 03755, USA.
Journal of pathology informatics
|July 17, 2023
概括
通过调整增强视图,HistoPerm增强了组织学图像分析,提高了数字病理学中的分类准确性,使用有限的标记数据. 这种方法可以提高各种深度学习模型的性能.
科学领域:
- 数字病理学数字病理学
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 深度学习在数字病理学方面表现出色,但需要大量的标记数据.
- 获取大型标记数据集用于组织学图像分析是资源密集的.
研究的目的:
- 介绍HistoPerm,一种新的视图生成方法,用于组织学图像中的表示学习.
- 用有限的标记数据增强使用联合嵌入架构的深度学习模型性能.
主要方法:
- HistoPerm允许增强全幻灯片组织学图像补丁的视图.
- 通过使用BYOL,SimCLR和VICReg.对乳病和细胞癌数据集进行评估.
- 与完全监督的基线模型进行性能比较.
主要成果:
- HistoPerm 持续提高了补丁和幻灯片级分类准确性,F1 评分和 AUC.
- 在两个数据集的 BYOL,SimCLR 和 VICReg 模型中观察到显著的准确度提升.
- 用HistoPerm增强的模型实现了与完全监督方法相比或优于完全监督方法的性能.
结论:
- HistoPerm有效地改善了对具有有限标记数据的组织病理学特征的表示学习.
- 该方法为增强数字病理学分析提供了有价值的工具.
- 通过HistoPerm,可以实现高分类性能,而无需大量的手动标签.
