自监督驱动的一致性训练用于注释高效的组织病理学图像分析(2021 CVPR)
0、摘要
在这项工作中,我们通过利用基于两个新策略的任务诊断和特定任务的无标签数据来克服这一挑战:i)一个自监督的预设任务,利用组织学WSI中的潜在多分辨率上下文线索,为无监督表征学习一个强大的监督信号;ii)一个新的师生半监督一致性范式,根据与特定任务无标签数据的预测一致性,学习将预训练的表征有效转移到下游任务。
我们在三个组织病理学基准数据集上进行了广泛的验证实验,涉及两个分类和一个基于回归的任务,即肿瘤转移检测、组织类型分类和肿瘤细胞性定量。
- BreastPathQ: to download the dataset, check this link :
Overview - Grand Challenge - Camelyon16: to download the dataset, check this link :
https://camelyon16.grand-challenge.org - Colorectal cancer tissue classification (Kather et al. 2019): to download the dataset, check this link :
100,000 histological images of human colorectal cancer and healthy tissue | Zenodo
在有限标签数据下,所提出的方法产生了明显的改进,接近甚至超过了其他最先进的自监督和监督基线。此外,我们的经验表明,引导自监督预训练特征的想法是改善标准基准上特定任务半监督学习的有效方法。代码和预训练模型可在以下网址获取。
- Tumor Metastasis Detection (Breast) - 肿瘤转移检测(乳腺)