一种用于组织学图像乳腺癌像素级自动分级的半监督框架
计算机视觉与模式识别
2022-03-09 v2
摘要
在世界范围内，乳腺癌是女性死亡的主要原因之一。近来，深度学习方法被开发用于自动对组织学切片进行乳腺癌分级。然而，由于缺乏大规模标注生物医学数据集，现有深度学习模型的性能受限。缓解标注负担的一种有前景的途径是利用未标注数据集来增强训练模型。本文中，我们首次将主动学习应用于乳腺癌分级，并提出了一种基于期望最大化（EM）模型的半监督框架。所提出的 EM 方法基于标注与未标注数据集之间的协同过滤。该协同过滤方法从非标注图像中有效提取有用且可信的数据集。全切片图像（WSI）的像素级预测结果表明，所提方法不仅优于当前最优（state-of-the-art）方法，还将标注成本显著降低逾 70%。
引用
@article{arxiv.1907.01696,
title = {A Semi-Supervised Framework for Automatic Pixel-Wise Breast Cancer Grading of Histological Images},
author = {Yanyuet Man and Xiangyun Ding and Xingcheng Yao and Han Bao},
journal= {arXiv preprint arXiv:1907.01696},
year = {2022}
}
备注
The author list and contents of this paper is not complete. Other authors request to withdraw this paper