CAMEL:一种用于组织病理学图像分割的弱监督学习框架
图像与视频处理
2019-08-29 v1 计算机视觉与模式识别
机器学习
摘要
组织病理学图像分析在癌症诊断和治疗中起着至关重要的作用。为了自动分割癌变区域,全监督分割算法需要在像素级进行费时费力的标注。在本研究中,我们提出了 CAMEL,这是一种仅使用图像级标签进行组织病理学图像分割的弱监督学习框架。利用基于多示例学习(MIL)的标签扩充,CAMEL 将图像划分为网格实例并自动生成实例级标签。在标签扩充之后,实例级标签被进一步分配给相应的像素,生成近似的像素级标签,使得分割模型的全监督训练成为可能。CAMEL 在 CAMELYON16 和结直肠腺瘤数据集上的实例级分类和像素级分割中均取得了与全监督方法相当的性能。此外,这种自动标注方法的通用性可能有益于未来针对组织病理学图像分析的弱监督学习研究。
引用
@article{arxiv.1908.10555,
title = {CAMEL: A Weakly Supervised Learning Framework for Histopathology Image Segmentation},
author = {Gang Xu and Zhigang Song and Zhuo Sun and Calvin Ku and Zhe Yang and Cancheng Liu and Shuhao Wang and Jianpeng Ma and Wei Xu},
journal= {arXiv preprint arXiv:1908.10555},
year = {2019}
}
备注
10 pages, 9 figures, accepted by ICCV 2019