ActiveSSF：基于主动学习引导的自监督框架用于长尾巨核细胞分类
计算机视觉与模式识别
2025-05-21 v2
摘要
精确分类巨核细胞对于诊断髓系异常综合征至关重要。虽然自监督学习在医学图像分析中显示出前景，但其应用于对染色片中巨核细胞分类面临三个主要挑战：（1）普遍的背景噪声遮蔽细胞细节；（2）长尾分布限制了罕见亚型的数据；（3）复杂的形态变化导致高度的类内变异性。为解决这些问题，我们提出了ActiveSSF框架，集成了主动学习与自监督预训练。具体而言，我们的方法采用高斯滤波结合 K 均值聚类和 HSV 分析（增强了临床先验知识）进行准确的兴趣区域提取；一种自适应样本选择机制，动态调整相似度阈值以缓解类别不平衡；以及对标记样本的原型聚类以克服形态复杂性。临床巨核细胞数据集上的实验结果表明，ActiveSSF不仅实现了最佳性能，还显著提高了对罕见亚型的识别准确率。此外，这些先进技术的集成进一步凸显了ActiveSSF在临床应用中的实际潜力。
引用
@article{arxiv.2502.08200,
title = {ActiveSSF: An Active-Learning-Guided Self-Supervised Framework for Long-Tailed Megakaryocyte Classification},
author = {Linghao Zhuang and Ying Zhang and Gege Yuan and Xingyue Zhao and Zhiping Jiang},
journal= {arXiv preprint arXiv:2502.08200},
year = {2025}
}
备注
6 pages