SGCL:在全幻灯片病理图像上进行空间引导对比学习
Tiancheng Lin1, Zhimiao Yu1, Zengchao Xu2
1Shanghai Key Lab of Digital Media Processing and Transmission, Shanghai Jiao Tong University, China; MoE Key Lab of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University, China.
Medical image analysis
|August 19, 2023
概括
空间引导对比学习 (SGCL) 增强了对全幻灯片病理图像 (WSIs) 的自我监督学习. SGCL利用空间信息来提高各种下游任务的性能,优于现有的方法.
科学领域:
- 计算病理学计算病理学
- 机器学习 机器学习
- 医疗图像分析 医学图像分析
背景情况:
- 自主监督学习 (SSL) 在自然图像分析方面表现出色,但由于它们的千兆像素分辨率和复杂的补丁结构,在全幻灯片病理图像 (WSIs) 中表现不佳.
- 现有的自然图像SSL方法对于WSIs来说是不理想的,需要量身定制的方法.
研究的目的:
- 开发一种新的自主监督学习方案,即空间引导对比学习 (SGCL),专门为WSIs设计.
- 利用世界物联网的固有空间特性,实现更稳定,更有效的自我监督.
主要方法:
- SGCL利用空间近距离和多对象先验来实现强大的自我监督.
- 它使用空间关系扩展了内部和内部WSI不变性,并为内部补丁不变性引入了空间引导的多种作物.
- 一个新的,理论上验证的损失函数在没有监督的情况下自适应地探索空间信息.
主要成果:
- 在各种下游任务和数据集上,SGCL比最先进的预培训方法取得了显著的性能改进.
- 废弃研究和可视化证实了SGCL方案的有效性,并有助于理解SGCL方案.
结论:
- SGCL为全幻灯片病理学中的自我监督表示学习提供了一种强大的新方法.
- 该方法展示了利用WSI特定空间特征的潜力,以提高数字病理学中的机器学习性能.
