基于细胞图卷积的组织病理图像分类研究

摘要：

针对传统CNN(Convolutional Neural Network)在组织病理图像分类中存在的两个问题:其一,受限于内存大小,CNN无法对高分辨率的病理图像直接进行训练,这不可避免地破坏了细胞之间的空间结构信息,且无法学习全局的特征信息;其二,病理图像中的正常细胞和癌变细胞均有自身的病理学图像特征并且在空间上具有一定的关联性,但在结构化的二维阵列图像中无法被充分的表达.提出一种基于细胞图卷积(Cell-Graph Convolutional Network,C-GCN)的组织病理图像分类方法,将高分辨率的病理图像转换为图结构,在传统的GCN中将GraphSAGE(Graph SAmple and aggregate)模块与图池化相结合,提取出更具有代表性的一般性特征,使得C-GCN可以直接在高分辨率的组织学图像中学习特征,提高了模型的鲁棒性.

关键词：病理图像、图卷积、GraphSAGE、图池化

所属期刊栏目：56

分类号：TP391(计算技术、计算机技术)

资助基金：上海市人工智能创新发展专项No.2019-RGZN-01017

在线出版日期：2020-12-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：223-228