Histopathological image contains rich pathological information that is valued for the aided diagnosis of many diseases such as cancer. An important issue in histopathological image classification is how to learn a high-quality discriminative dictionary due to diverse tissue pattern, a variety of texture, and different morphologies structure. In this paper, we propose a discriminative dictionary learning algorithm with pairwise local constraints (PLCDDL) for histopathological image classification. Inspired by the one-to-one mapping between dictionary atom and profile, we learn a pair of discriminative graph Laplacian matrices that are less sensitive to noise or outliers to capture the locality and discriminating information of data manifold by utilizing the local geometry information of category-specific dictionaries rather than input data. Furthermore, graph-based pairwise local constraints are designed and incorporated into the original dictionary learning model to effectively encode the locality consistency with intra-class samples and the locality inconsistency with inter-class samples. Specifically, we learn the discriminative localities for representations by jointly optimizing both the intra-class locality and inter-class locality, which can significantly improve the discriminability and robustness of dictionary. Extensive experiments on the challenging datasets verify that the proposed PLCDDL algorithm can achieve a better classification accuracy and powerful robustness compared with the state-of-the-art dictionary learning methods.

组织病理图像包含丰富的病理信息，对于癌症等多种疾病的辅助诊断具有重要价值。组织病理学图像分类中的一个重要问题是由于组织模式多样、纹理多样、形态结构不同，如何学习高质量的判别字典。在本文中，我们提出了一种用于组织病理学图像分类的具有成对局部约束（PLCDDL）的判别字典学习算法。受字典原子和轮廓之间一对一映射的启发，我们学习了一对对噪声或异常值不太敏感的判别图拉普拉斯矩阵，利用类别的局部几何信息来捕获数据流形的局部性和判别信息-特定的字典而不是输入数据。此外，设计了基于图的成对局部约束并将其合并到原始字典学习模型中，以有效地编码与类内样本的局部一致性和与类间样本的局部不一致性。具体来说，我们通过联合优化类内局部性和类间局部性来学习表征的判别性局部性，这可以显着提高字典的判别性和鲁棒性。在具有挑战性的数据集上进行的大量实验证实，与最先进的字典学习方法相比，所提出的 PLCDDL 算法可以实现更好的分类精度和强大的鲁棒性。设计了基于图的成对局部约束并将其合并到原始字典学习模型中，以有效地编码与类内样本的局部一致性和与类间样本的局部不一致性。具体来说，我们通过联合优化类内局部性和类间局部性来学习表征的判别性局部性，这可以显着提高字典的判别性和鲁棒性。在具有挑战性的数据集上进行的大量实验证实，与最先进的字典学习方法相比，所提出的 PLCDDL 算法可以实现更好的分类精度和强大的鲁棒性。设计了基于图的成对局部约束并将其合并到原始字典学习模型中，以有效地编码与类内样本的局部一致性和与类间样本的局部不一致性。具体来说，我们通过联合优化类内局部性和类间局部性来学习表征的判别性局部性，这可以显着提高字典的判别性和鲁棒性。在具有挑战性的数据集上进行的大量实验证实，与最先进的字典学习方法相比，所提出的 PLCDDL 算法可以实现更好的分类精度和强大的鲁棒性。我们通过联合优化类内局部性和类间局部性来学习表征的判别性局部性，这可以显着提高字典的判别性和鲁棒性。在具有挑战性的数据集上进行的大量实验证实，与最先进的字典学习方法相比，所提出的 PLCDDL 算法可以实现更好的分类精度和强大的鲁棒性。我们通过联合优化类内局部性和类间局部性来学习表征的判别性局部性，这可以显着提高字典的判别性和鲁棒性。在具有挑战性的数据集上进行的大量实验证实，与最先进的字典学习方法相比，所提出的 PLCDDL 算法可以实现更好的分类精度和强大的鲁棒性。