NearbyPatchCL: 利用邻近补丁进行自监督式整片图像补丁级多类别分类

MMDec, 2023

NearbyPatchCL: 利用邻近补丁进行自监督式整片图像补丁级多类别分类

NearbyPatchCL: Leveraging Nearby Patches for Self-Supervised Patch-Level Multi-Class Classification in Whole-Slide Images

PDF

Gia-Bao Le, Van-Tien Nguyen, Trung-Nghia Le, Minh-Triet Tran

TL;DR整张切片图像（WSI）分析在癌症诊断和治疗中起着至关重要的作用，自监督学习（SSL）方法由于其在避免需要大量注释的情况下提高效率而成为宝贵的资源，尤其适用于解决 WSI 内部补丁选择引起的类别不平衡问题。我们提出了一种新颖的自监督学习方法 Nearby Patch Contrastive Learning (NearbyPatchCL)，它利用附近补丁作为正样本，采用解耦的对比损失进行鲁棒表示学习。该方法在补丁级别多类别分类的下游任务中显著提高了性能，达到了 87.56% 的 Top-1 分类准确率，并且仅使用了 1% 的标注数据。

Abstract

Whole-slide image (WSI) analysis plays a crucial role in cancer diagnosis and treatment. In addressing the demands of this critical task, self-supervised learning (SSL) methods have emerged as a valuable resource, leveraging their efficiency in circumventing the need for a large number of annotations, which can be both costly and time-consuming to deploy sup

whole-slide image analysis self-supervised learning nearby patch contrastive learning patch-level multi-class classification canine cutaneous cancer histology

发现论文，激发创造

利用聚类约束改善组织病理学图像的表征学习

最近整个切片图像（WSI）扫描仪和计算能力的进展显著推动了人工智能在组织病理学切片分析中的应用。

Oct, 2023

克服基于 Patch 学习的限制，用于识别全扫描切片图像中的癌症

本文讨论如何将深度学习用于对大型 WSI 图像进行癌症检测，比较分析基于图像块或幻灯片的分类与需要在整个幻灯片上准确定位或分割癌症的方法之间的差异，并提出一种负数据采样策略，可显着降低假阳性率，并在肿瘤范围的错误率上取得 15% 的减少。

Dec, 2020

基于 Patch 的卷积神经网络用于全切片组织图像分类

通过训练决策融合模型以及利用 EM 方法自动定位有效的 Patch，可以实现对肿瘤亚型的分类，其分类精度与病理学家之间的一致性相似，这种基于 Patch 的 CNN 可以比基于图像的 CNN 更好地处理图像分类任务。

Apr, 2015

自监督对比学习的双流多示例学习网络用于全切片图像分类

本论文提出了一种基于 MIL 的方法，用于全幻灯片图像（WSI）分类和肿瘤检测，无需局部注释，并提出了自我监督对比学习及金字塔融合机制，从而提高分类和定位的准确性。

Nov, 2020

无监督互相转换器学习用于多千兆像素全切片图像分类

提出一种基于相互 Transformer 学习的全无监督 WSI 分类算法，并在公开数据集上进行了广泛实验，证明了该方法在 WSI 分类和癌症亚型分类方面的优越性能。

May, 2023

Cluster-to-Conquer：全幻灯片图像分类端到端多实例学习框架

本文提出了一种名为 C2C 的聚类解决方案，该方案通过聚类、采样数据以及使用自适应注意机制在自动疾病诊断领域中对大型 WSI 图像进行有效的分类和预测。

Mar, 2021

借鉴 Zoom：解耦有监督对比学习用于 WCE 图像分类

通过解决微小病变和背景干扰等挑战，以及利用放大增强器生成放大后的 WCE 图像从而学习鲁棒表示，我们提出了一种用于 WCE 图像分类的去耦合监督对比学习方法。训练一个线性分类器来使用这些表示，在仅 10 个 epoch 内取得了惊人的 92.01％的整体准确率，超过了前一最先进方法 0.72％，基于两个公开可访问的 WCE 数据集。

Jan, 2024

自监督学习与复合预文本类别差异的 SSL-CPCD 方法，为内窥镜图像分析改善泛化性能

本文提出了一个新方法，即基于补充角度余弦相似度度量的补丁水平实体群差异化方法，它使得模型能够学习将类似的代表性补丁聚类在一起，从而提高它们在不同类别之间的分离能力。实验结果表明，我们的方法优于基线架构，对分类、检测和分割任务的准确度分别提高了 4%、2% 和 3%。此外，我们还证明了我们的方法相对于所有 SOTA 方法具有更好的泛化性，我们的泛化性评估提高了近 7%。

May, 2023

用于全幻灯片图像分类的紧凑、无偏负实例嵌入

整张切片图像分类中，使用多实例学习和半监督方法来改善基于切片级注释的分类算法，通过在正常切片上引入自由标注信号来减少切片间的变异性并捕捉常见变异因素，该方法显著提高了预测性能并优于其他半监督算法。

Feb, 2024

层次判别学习提高生物医学显微镜的视觉表达

本文提出了一种名为 HiDisc 的自我监督对比学习框架，用于学习临床生物医学显微镜图像中肿瘤的高质量视觉表示，结果表明 HiDisc 预训练方法在癌症诊断和基因突变预测方面优于当前最先进的自我监督预训练方法，并且使用自然数据多样性学习高质量的视觉表达。

Mar, 2023