通过消除偏见来适配组织病理学中的弱监督局部化
计算机视觉与模式识别
2026-03-16 v1
摘要
弱监督对象局部化（WSOL）模型 enables 使用仅图像类别监督即可在组织病理学图像中实现分类和兴趣区域局部化。在目标域部署时，分布迁移是导致性能下降的主要原因，特别是当应用于新器官或具有不同染色协议和扫描仪特征的机构时。面对更强的跨域迁移，WSOL 预测可能偏向主导类别，导致目标域中伪标签分布高度偏斜。源自由（无监督）域适应（SFDA）方法通常用于解决域迁移问题。然而，由于依赖自训练，初始偏见在训练迭代过程中被强化，导致分类和局部化任务均遭受性能下降。我们识别出预测偏见的放大是 WSOL 模型进行 SFDA 的主要障碍。本文引入 sfdadep，一种受机器遗忘启发的 метод，将 SFDA 表述为识别和纠正预测偏见的迭代过程。其通过定期识别来自过度预测类别的目标图像，并针对不确定（高熵）图像 selectively 减少预测置信度，同时保持 confident 预测，从而减少决策边界的漂移和对主导类别的偏见。进一步地，一个联合优化的像素级分类器进一步在分布迁移下恢复具有判别性的局部化特征。对交叉器官和 -center 组织病理学基准（glas、CAMELYON-16、CAMELYON-17）以及多种 WSOL 模型进行大量实验表明，SFDA-DeP 在多个 SOTA SFDA 基线上 consistently 提升分类和局部化性能。
引用
@article{arxiv.2603.12468,
title = {Adaptation of Weakly Supervised Localization in Histopathology by Debiasing Predictions},
author = {Alexis Guichemerre and Banafsheh Karimian and Soufiane Belharbi and Natacha Gillet and Nicolas Thome and Pourya Shamsolmoali and Mohammadhadi Shateri and Luke McCaffrey and Eric Granger},
journal= {arXiv preprint arXiv:2603.12468},
year = {2026}
}
备注
10 pages, 4 figures