Centroid-Aware Feature Recalibration for Cancer Grading in Pathology Images
摘要
癌症分级是病理学中的一项重要任务。人工神经网络在计算病理学领域的最新发展表明，这些方法在提高癌症诊断的准确性和质量方面具有巨大潜力。然而，这些方法的稳健性和可靠性问题尚未完全解决。
本文提出了一种质心感知特征重新校准网络，该网络可以以准确和稳健的方式进行癌症分级。该网络将输入病理图像映射到嵌入空间中，并通过注意力机制使用质心嵌入不同癌症等级的载体进行调整。该网络配备了重新校准的嵌入向量，将输入的病理图像分类为相关的类别标签，即癌症等级。
本文方法
设 {xi， yi}是一组病理图像和标签对，深度神经网络 f 学习映射到嵌入空间中，从而产生嵌入向量 ei 。嵌入向量 ei 被输入到
1） 质心更新 （Cup） 模块
2） 质心感知特征重新校准 （CaFe） 模块中。Cup 模块获取并更新嵌入空间 中类标签的质心。 CaFe 模块根据类质心的嵌入向量调整嵌入向量，并生成重新校准的嵌入向量 ER
Cup模块将不同类标签的嵌入向量相加，计算平均嵌入向量，并更新质心嵌入向量
实验结果
