.png){kind=icon}
返回
Multiple instance learning-based two-stage metric learning network for whole slide image classification
.png){kind=icon}
PRE
AI
DOI：10.1007/s00371-023-03131-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
癌症是世界上最常见的疾病之一。对于癌症的诊断，病理检查是最有效的方法。但是繁重且耗时的工作流程增加了病理学家的工作量。随着全载玻片图像 (WSI) 扫描仪的出现，载玻片上的组织可以保存为高清数字图像，这使得借助计算机辅助诊断疾病成为可能。然而，WSIs的极端尺寸和像素级注释的缺乏使机器学习在病理图像诊断中面临巨大挑战。为了解决这个问题，我们提出了一种用于WSI分类的基于度量学习的两阶段MIL框架 (TSMIL)，该框架结合了监督聚类和基于度量的分类的两个阶段。训练样本 (wsi) 首先基于其在监督聚类中的标签被聚类成不同的聚类。然后，基于上一步，我们提出了四种不同的策略来测量测试样本到每个类簇的距离，以实现测试样本的分类: MaxS，AvgS，DenS和HybS。在三个病理学数据集上评估我们的模型: tcga-nsclc、tcga-rcc和her2。平均AUC评分可分别高达0.9895和0.9988于tcga-nsclc和tcga-rcc，0.9265于HER2。结果表明，与最先进的方法相比，我们的方法表现优异。在不同类型的癌症数据集上的出色性能验证了我们的方法作为通用架构的可行性。
Keyword:
Whole slide image
Metric learning
Multiple instance learning
Cancer
期刊
IF:
2.9
论文数:
4.6K
被引数:
6.5K
机构
引用论文
Transformer-based unsupervised contrastive learning for histopathological image classification基于Transformer的无监督对比学习的组织病理图像分类.png)
MEDICAL IMAGE ANALYSIS
MEDICAL IMAGE ANALYSISIF11.8
PREAI
分享收藏分享收藏Appropriate grape color estimation based on metric learning for judging harvest timingVISUAL COMPUTER
OAAI
VISUAL COMPUTERIF2.9
OAAI分享收藏A weakly supervised deep learning-based method for glioma subtype classification using WSI and mpMRIsSCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏Clinical-grade computational pathology using weakly supervised deep learning on whole slide images在整个幻灯片图像上使用弱监督深度学习的临床级计算病理学NATURE MEDICINEOAAI
NATURE MEDICINEIF50
OAAI分享收藏
查看更多内容