用于组织病理学图像分类的近似双层图结构学习

《IEEE Access》：Approximate Bilevel Graph Structure Learning for Histopathology Image Classification

　　

摘要：

组织中细胞的结构与空间排列反映了它们的功能状态，因此基于图的学习方法非常适合用于组织病理学图像分析。现有的方法往往依赖固定的图结构，可能无法捕捉复杂的组织相互作用。在本研究中，我们提出了ABiG-Net（一种通过神经网络实现图结构学习的近似双层优化方法），这是一种新的框架，它能够在全切片图像或较大的感兴趣区域中学习各个斑块的相互作用，同时为后续的分类任务学习具有区分能力的节点嵌入。ABiG-Net通过从细胞结构构建局部斑块级图，并利用一阶近似双层优化方法学习全局图像级图，从而分层建模组织结构，该全局图能够捕捉到稀疏且具有生物学意义的斑块间连接。这里的“双层”指的是一种嵌套优化策略：分类器参数在较低层级利用训练数据进行优化，而图结构中的邻接参数则在较高层级利用验证损失进行优化。一阶近似方法去除了成本较高的二阶超梯度项，从而减少了内存占用和计算时间，同时使得大型全切片图像的图结构学习仍然可行。在临床应用中，该方法所学到的长距离斑块相互作用能够将空间上分离但形态上相关的区域联系起来，从而提供可解释的、对诊断有价值的区域间关联信息。在两个组织病理学数据集上的实验表明了其有效性：在扩展的结直肠癌数据集上，ABiG-Net在三类结直肠癌分级任务中的准确率为97.33±1.15%，在二元分类任务中的准确率为98.33±0.58%；在黑色素瘤数据集上，它在肿瘤与淋巴细胞感兴趣区域分类任务中的准确率为96.27±0.74%。这些结果表明，一阶近似双层图结构学习方法为大规模计算病理学研究提供了一种灵活、可解释且易于操作的替代方案。