Clinical-grade computational pathology using weakly supervised deep learning on whole slide images
2019年 nature medicine
代码:https://github.com/MSKCC-Computational-Pathology/MIL-nature-medicine-2019
动机: 由于病理图像所使用的WSI(Whole Slide Images)图像分辨率较大,所以在处理WSI图像时,通常会将一张WSI图像分为若干小切片进行训练。
与其他领域相比,计算病理学必须面对与病理学数据性质相关的额外挑战。大型带注释的数据集的缺乏比其他领域更加严重。利用病理学数据集的特性,计算病理学的大部分工作都是应用监督学习对WSI内的小切片进行分类。这通常需要专业病理学家在像素级进行大量注释。由于数据标注困难,数据集较小等问题,本文使用了slide-level级诊断并基于MIL的弱监督方式来解决该问题,病理学报告中即可获得标签。
与监督学习的对比: 小数据集上训练的深度学习模型,即使具有穷尽的、像素级标签的优势,也不能推广到临床分级的真实世界数据。本文能够在海量、多样化的数据集上进行训练,而不需要数据管理。
MIL单独使用的弊端:
在只用MIL时,会导致下滑预测的最大合并操作并不稳定。一个错误分类可能会改变幻灯片预测结构,导致大量的误判。以前的max pooling方法没有利用在训练过程中学习到的特征表示中包含的信息。 即使patch分类器没有单独将小切片分类为正,它们加在一起也可能足够可疑,从而触发基于表示的幻灯片级分类器的积极响应。减少这类错误的一种方法是在MIL分类结果的基础上学习幻灯片聚合模型。
流程: MIL阶段,对数据集中的每个幻灯片进行分块,并根据它们是positive的概率进行排序,找到每个幻灯片的概率排名最高的实例的送入模型学习。RNN阶段,top k做聚合来整合整个幻灯片的信息。
补充:
解决 MIL 任务会导致学习瓦片级表示,该表示可以线性地将正幻灯片中的判别瓦片与所有其他瓦片分开。
使用Otsu的方法用于设定幻灯片缩略图图像的阈值,以有效地丢弃所有背景拼贴,从而大幅减少每张幻灯片的计算量。
本文利用MIL来训练深度神经网络,从而产生语义丰富的瓦片级特征表示。然后,在递归神经网络(RNN)中使用这些表示来整合整个幻灯片的信息,并报告最终的分类结果。
参数说明:
slide:存储的是一系统切片的路径
target:存储的是切片对应的标签
level_downsamples:对应的是下采样因子,也就是缩放倍数
(1.0, 2.0, 4.0, 8.0, 16.0, 32.0, 64.0, 128.0, 256.0, 512.0)
grid:每个小块的坐标(左上角)
Clinical-grade computational pathology using weakly supervised deep learning on whole slide images相关推荐
- Weakly Supervised Deep Learning for Thoracic DiseaseClassification and Localization on Chest X-rays
摘要 胸部X光检查时临床上最常见和最实惠的放射检查之一.虽然在胸部X线上检测胸部疾病仍然是一项具有挑战性的任务,但由于1)不同胸部疾病患者的X涉嫌上病变区域出现的高度不同,以及2)放射科医生缺乏准确的 ...
- 文章阅读:Generalizable Beat-by-Beat Arrhythmia Detection by Using Weakly Supervised Deep Learning
文章来源:https://www.frontiersin.org/articles/10.3389/fphys.2022.850951/full 摘要: 动态心电图(ECG)监测中的逐搏心律失常检测对 ...
- [CVPR 2016] Weakly Supervised Deep Detection Networks论文笔记
Weakly Supervised Deep Detection Networks,Hakan Bilen,Andrea Vedaldi https://www.cv-foundation.org/o ...
- 弱监督检测初识——Weakly Supervised Deep Detection Networks解读
文章目录 1 WSDDN模型 1.1 预训练CNN 1.2 CNN特征描述 1.2.1 区域推荐算法 1.2.2 Spatial partial pooling 1.2.3 推荐区域的特征描述 1.3 ...
- 论文笔记 Weakly Supervised Deep Detection Networks - CVPR 2016
Weakly Supervised Deep Detection Networks Hakan Bilen, Andrea Vedaldi CVPR, 2016 (PDF) (Citations 58 ...
- 论文笔记 Object-Aware Instance Labeling for Weakly Supervised Object Detection - ICCV 2019
Object-Aware Instance Labeling for Weakly Supervised Object Detection Kosugi ICCV, 2019 (PDF) (Citat ...
- 论文报告笔记(四) Towards Precise End-to-end Weakly Supervised Object Detection Network
文章目录 论文报告笔记(四) Towards Precise End-to-end Weakly Supervised Object Detection Network 弱监督学习 WSDDN OIC ...
- 【深度学习论文翻译】Weakly Supervised Action Localization by Sparse Temporal Pooling Network全文翻译
Phuc Nguyen(University of California Irvine, CA, USA) Ting Liu,Gautam Prasad(Google Venice, CA, USA) ...
- Weakly Supervised Data Augmentation Net-work (WS-DAN)
Weakly Supervised Data Augmentation Net-work (WS-DAN) 原文:Weakly Supervised Data Augmentation Net-wor ...
最新文章
- [java多线程] - 锁机制同步代码块信号量
- poj 2069 Super Star 最小求覆盖【爬山算法】
- 【问链-EOS公开课】第十课 EOS 错误码整理
- python3精要(35)-模块(1)-import
- akka使用_使用Akka简化交易系统
- python绘图颜色深浅代表数值_画图理解Python的深浅拷贝
- liunx 监控工具sar
- C 语言是“最环保”的编程语言
- 学习笔记(01):ThreeJS视频教程-了解着色器基础
- 计算机网络工程教程:基于cisco路由器和交换机,计算机网络工程教程—基于cisco路由器和交换机教学课件作者陆魁军chap7思科路由器的高级功能.ppt...
- 关于MUI一个很实用的前端框架
- ThreadPoolExecutor参数解析
- 测试计划和测试用例的方法
- 【ORACLE】各种数据类型
- 计算机游戏本和商务本的区别,游戏本和商务本的区别有哪些
- 测试未来对象照片的软件,测测你未来的样子的软件
- android 免费游戏推荐,10款免费Android小游戏推荐
- SAP与企业微信集成----DEMO
- 2-2-2Webpack打包
- 【硬件】如何使用直流稳压源输出负电压?
热门文章
- flash透明的处理办法
- 代码随想录算法公开课!
- Unity3D简单体积光的实现
- python 24时制 时间转换 ,将12小时制AM \ PM 转换为24小时制
- Android 把 Jun 25, 2022 12:00:00 AM 格式的时间转换为 2022-07-08 12:00:00 格式的时间
- 如何选择实用的高斯计?
- 服务器没有plugin文件,服务器上安装插件
- 智慧农业建设方案思考
- 2023cfa一级冲刺笔记
- python sqlite3 多线程_在python中多线程访问sqlite3数据库