基于共识矩阵的自纠正学习：用于噪声细胞分割的 CASC-AI
计算机视觉与模式识别
2025-03-12 v2
摘要
高分辨率全切片组织学图片(WSI)中的多类细胞分割对于各种临床应用至关重要。然而，训练此类模型通常需要来自领域专家的耗时的像素级注释。最近的努力通过引入无医学专业知识的普通标注者来 democrat化这一过程。然而，传统的非纠正方法难以自适应地处理注释噪声，因为它们缺乏机制来缓解图像特征和像素层面的假阳性(FP)和假阴性(FN)。本文提出一种基于共识矩阵的自纠正 AI 代理，利用共识矩阵引导其学习过程。共识矩阵定义了 AI 与标注者在细胞和非细胞注释上达成一致的区域，优先级更高。相反， disagreement 的区域根据其到高置信度共识区域的特征相似性进行自适应加权，相似性更大的区域获得更大的关注。此外，采用对比学习来分离噪声区域的特征与可靠共识区域的特征，通过最大化它们的不相似性。这种范式使模型能够迭代地细化噪声标签，从而增强其鲁棒性。在一个真实世界的普通标注细胞数据集和两个基于推理引导的模拟噪声数据集上验证后，我们的方法在分割性能方面取得改进，有效纠正了 FP 和 FN 错误，凸显了在噪声数据集上训练稳健模型的潜力。官方实现和细胞注释均可在 https://github.com/ddrrnn123/CASC-AI 查阅。
关键词
引用
@article{arxiv.2502.07302,
title = {CASC-AI: Consensus-aware Self-corrective Learning for Noise Cell Segmentation},
author = {Ruining Deng and Yihe Yang and David J. Pisapia and Benjamin Liechty and Junchao Zhu and Juming Xiong and Junlin Guo and Zhengyi Lu and Jiacheng Wang and Xing Yao and Runxuan Yu and Rendong Zhang and Gaurav Rudravaram and Mengmeng Yin and Pinaki Sarder and Haichun Yang and Yuankai Huo and Mert R. Sabuncu},
journal= {arXiv preprint arXiv:2502.07302},
year = {2025}
}