首页期刊导航|中国图象图形学报
期刊信息/Journal information
中国图象图形学报
中国图象图形学报

李小文

月刊

1006-8961

jig@irsa.ac.cn

010-64807995 8261442

100101

北京9718信箱

中国图象图形学报/Journal Journal of Image and GraphicsCSCD北大核心CSTPCD
查看更多>>本刊是集计算机图象图形高科技理论与应用研究成果、成果产品化与商情动态于一体的综合性学术期刊。是核心期刊、权威性杂志。作为中国图象图形学学会的会刊，利用学会在国内外广泛的科技信息渠道、全方位多层面的学科交叉应用，积极向产业界宣传科技成果，热心向科技界推荐最新产品。
正式出版
收录年代

    混合监督学习的乳腺癌全切片病理图像分类

    张建新高程阳孙鉴丁雪妍...
    2825-2836页
    查看更多>>摘要：目的自监督与弱监督学习是解决乳腺癌全切片病理图像分类标注困难的有效方式.然而,由于组织病理图像的复杂性与多样性,仅依靠自监督学习生成的伪标签可能无法准确反映图像真实类别信息;同时,单一弱监督学习方法又存在标签信息匮乏等问题,在病理图像学习过程中易受干扰而导致预测结果不稳定.为此,提出了一种混合监督学习的乳腺癌全切片病理图像分类方法.方法 首先,使用基于MoBY自监督框架进行训练,通过对比学习方式深入挖掘乳腺癌病理图像内在结构信息;然后,采用弱监督多示例学习方法进一步优化自监督模型,来获得更精准的判别示例;最后,从每幅全切片中筛选出具有代表性的乳腺癌病理图像关键示例,并借助Transformer编码器实现关键示例的特征融合以增强不同病理图像块之间的关联性,从而实现乳腺癌全切片病理图像的高精度分类.结果 在公开的Camelyon-16乳腺癌病理图像数据集上进行实验评估,相比于该数据集上既有最优弱监督和自监督方法,本文方法的曲线下面积值分别可提升2.34％和2.74％,验证了所提出混合监督学习方法的有效性.此外,在MSK(Memorial Sloan-Kettering)腺癌病理外部验证数据集上较有监督方法取得了 6.26％的性能提升,表明了本文方法的良好泛化能力.结论 提出了混合监督学习的乳腺癌全切片病理图像分类方法,通过集成MoBY自监督对比学习与Transformer弱监督多示例学习,实现了乳腺癌全切片病理图像的更准确分类.

    乳腺癌全切片病理图像分类混合监督学习特征融合Transformer

      原文链接:
    • NETL
    • NSTL
    • 万方数据