CaCL：面向弥散图像模式的弱监督分割的类感知码本学习
计算机视觉与模式识别
2022-04-14 v2
摘要
在生物医学图像分析中，弱监督学习已迅速发展，以从图像级标注（分类）获得像素级标注（分割），因为生物医学图像在许多场景中天然包含图像级标注。当前计算机视觉领域的弱监督学习算法主要针对 focal 目标（如猫和狗）设计。然而，此类算法并未针对生物医学成像中的弥散模式（如显微镜成像中的染色和荧光）进行优化。本文提出一种新颖的类感知码本学习（CaCL）算法，用于对弥散图像模式进行弱监督学习。具体而言，CaCL 算法被部署用于从人十二指肠组织学图像中分割蛋白质表达的刷状缘区域。我们的贡献有三方面：（1）我们从新颖的码本学习视角切入弱监督分割；（2）CaCL 算法分割的是弥散图像模式而非 focal 目标；（3）所提算法基于 Vector Quantised-Variational AutoEncoder（VQ-VAE）在多任务框架中实现，通过联合图像重建、分类、特征嵌入与分割完成。实验结果表明，与基线弱监督算法相比，我们的方法取得了更优性能。代码见 https://github.com/ddrrnn123/CaCL。
引用
@article{arxiv.2011.00794,
title = {CaCL: Class-aware Codebook Learning for Weakly Supervised Segmentation on Diffuse Image Patterns},
author = {Ruining Deng and Quan Liu and Shunxing Bao and Aadarsh Jha and Catie Chang and Bryan A. Millis and Matthew J. Tyska and Yuankai Huo},
journal= {arXiv preprint arXiv:2011.00794},
year = {2022}
}