近日，西安交通大學電信學部計算機科學與技術學院李辰教授團隊發(fā)明了一系列針對不同場景和層次的弱標注病理表型識別與量化方法，將病理學專業(yè)知識轉化為計算機模型構建方法，實現(xiàn)了在該方向的多項突破性技術。

團隊面向全視野數(shù)字切片分類，提出了一種基于最小點標注的半監(jiān)督多任務學習框架，在節(jié)約95%標注時間成本的同時，在肺癌、乳腺癌、腎癌等關鍵癌癥種類上實現(xiàn)了90%以上的腫瘤區(qū)域和亞型識別準確率。團隊面向顯微鏡下圖像分類，針對兒童白血病分層分類的特定場景，提出了信息瓶頸增強的分層多實例學習框架，在患者級標簽的監(jiān)督下實現(xiàn)了從血液涂片圖像到白血病診斷結果的映射。團隊面向病理組織分割與分類，提出了一種基于多層級對比的無監(jiān)督病理圖像表示學習框架。在乳腺癌、胃癌等數(shù)據(jù)集上的實驗表明，所提出的框架在保持有競爭力識別結果的同時，有效降低了深度學習模型對標注數(shù)據(jù)的需求。這些成果分別發(fā)表在醫(yī)學影像頂級期刊《醫(yī)學影像分析》和《IEEE醫(yī)學影像匯刊》上。

責任編輯：張言