基于关键实例和动态图卷积的病理全切片图像分类模型

摘要

病理全切片图像(Whole-Slide Images, WSIs)通常具有高分辨率且缺乏像素级注释，这些与自然图像明显不同的独特特征给WSI图像的分类带来相当大的挑战性.目前，多实例方法策略被广泛应用于弱监督学习的组织病理全切片图像分类，然而，这些方法往往采用随机采样，导致大量资源浪费在信息不丰富和冗余的切块图像上.为了克服这些缺点，本文提出了一种新颖的基于关键实例和动态图卷积的病理全切片图像分类模型.首先，利用病理特征数据库，通过特征余弦相似度值来识别WSI中关键特征并保持其相对位置排序.然后，基于这些关键特征构建动态图卷积，并引入全局注意力模块，从而能同时捕获上下文感知的关系特征和全局信息.在CAMELYON16公开数据集和合作医院的结肠癌数据集上实验表明，本文提出的模型与最先进方法相比准确率和AUC有一定提升，同时显著降低了数据集上每张WSI的平均推理时间.

关键词

病理图像 / 图卷积网络 / 多示例学习 / 分类

基金资助

国家自然科学基金项目(61572325)资助; 上海重点科技攻关项目(19DZ1208903)资助