一种用于细胞核检测与弱监督分割的轻量可解释组合模型
计算机视觉与模式识别
2022-08-11 v2
摘要
自深度神经网络被广泛应用以来，计算病理学领域取得了巨大进展。这些网络通常需要大量标注数据来训练海量参数。然而，标注大型组织病理学数据集需耗费大量精力。我们提出了一种轻量且可解释的模型用于细胞核检测与弱监督分割。它仅需要对孤立细胞核进行标注，而非数据集中的所有细胞核。此外，它是一个生成式组合模型，先定位细胞核的部件，再学习部件间的空间相关性以进一步定位细胞核。这一过程使其预测具有可解释性。在内部数据集上的实证结果表明，在检测任务中，所提方法取得了与深度网络对应方法相当或更好的性能，尤其在标注数据有限时。它还优于流行的弱监督分割方法。该提出的方法可成为深度学习方法中数据饥渴问题的一种替代解决方案。
引用
@article{arxiv.2110.13846,
title = {A Light-weight Interpretable Compositional Model for Nuclei Detection and Weakly-Supervised Segmentation},
author = {Yixiao Zhang and Adam Kortylewski and Qing Liu and Seyoun Park and Benjamin Green and Elizabeth Engle and Guillermo Almodovar and Ryan Walk and Sigfredo Soto-Diaz and Janis Taube and Alex Szalay and Alan Yuille},
journal= {arXiv preprint arXiv:2110.13846},
year = {2022}
}