无监督的相互变压器学习多千兆像素全片图像分类

科学领域:

• 计算病理学计算病理学
• 数字病理学数字病理学
• 人工智能在医学中的应用

背景情况:

• 整片图像 (WSI) 分类在计算病理学中对于癌症检测等应用至关重要.
• 当前的深度学习方法通常依赖于病理学家的大量手册注释,这些注释是昂贵和耗时的.
• 现有的监管较弱的方法仍然需要大型的幻灯片级标记数据集.

研究的目的:

• 为整个幻灯片图像 (WSI) 分类开发一个完全不受监督的算法.
• 消除了对专家病理学家手动注释的需要.
• 证明框架在弱监督学习和癌症亚型分类中的实用性.

主要方法:

• 提出了一种新的无监督的WSI分类算法,利用相互变压器学习.
• 将图像实例 (补丁) 转换为隐藏空间和背面,使用转换损失生成伪标签.
• 采用基于变压器的标签清洁器和用于改进实例标签的歧视性学习机制.

主要成果:

• 在四个公共数据集上,与最先进的方法相比,实现了更高的性能.
• 证明了下游弱监督任务的无监督框架的有效性.
• 成功地将该方法应用于癌症亚型分类.

结论:

• 拟议的互助变压器学习框架为WSI分类提供了一种强大的无监督方法.
• 这种方法显著减少了对计算病理学中人工专家注释的依赖.
• 该算法显示了在数字病理学中推进自动诊断和亚型分类的前景.