提高整个幻灯片图像的分类与歧视和对比的学习
Peixian Liang1, Hao Zheng1, Hongming Li1
1Department of Radiology, The Perelman School of Medicine at the University of Pennsylvania, Philadelphia, PA, USA.
Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
|March 6, 2025
概括
本研究引入了一种新的全幻灯片图像 (WSI) 分类方法,使用歧视性和对比性学习. 我们的方法通过专注于WSI级样本构建来提高WSI分类的准确性和稳定性.
科学领域:
- 数字病理学数字病理学
- 计算生物学是一种计算生物学.
- 医疗图像分析 医学图像分析
背景情况:
- 全幻灯片图像 (WSI) 分类对于数字病理学至关重要.
- 大规模的WSI和缺乏次区域标签挑战了准确的分类.
- 目前的深度学习方法在信息化图像表示方面扎,以获得强大的WSI分类.
研究的目的:
- 开发一种改进的WSI分类方法.
- 克服现有的对比学习方法对WSI分析的局限性.
- 为了增强学习信息图像特征的强大WSI分类.
主要方法:
- 纳入WSI分类的歧视性和对比性学习技术.
- 开发了一种新的方法,专注于WSI级的正负样本构造.
- 选择了代表性的图像补丁,以创建WSI级样本以进行有效的特征学习.
主要成果:
- 拟议的方法显著改善了两个数据集的WSI分类性能.
- 与最先进的深度学习方法相比,证明了优异的结果.
- 能够学习信息特征,从而增强WSI分类的稳定性.
结论:
- 开发的方法在WSI分类中提供了显著的进步.
- 在WSI级的样本构建策略中,有效地学习了强大的图像特征.
- 这种方法有望提高数字病理学的诊断准确性.
