CELNet：基于弱监督学习的病理图像证据定位
计算机视觉与模式识别
2020-02-10 v1
摘要
尽管深度卷积神经网络在数字病理分析中提升了图像分类和分割的性能，但它们通常对临床应用的可解释性较弱，或需要大量标注才能实现目标定位。为克服该问题，我们提出了一种基于弱监督学习的方法，能够有效学习从弱标记训练数据中为诊断标签定位判别性证据。实验结果表明，我们提出的方法能够可靠地 pinpoint 支持关注决策的癌症证据位置，同时在 glimpse 级和 slide 级组织病理学癌症检测任务上仍取得有竞争力的性能。
引用
@article{arxiv.1909.07097,
title = {CELNet: Evidence Localization for Pathology Images using Weakly Supervised Learning},
author = {Yongxiang Huang and Albert C. S. Chung},
journal= {arXiv preprint arXiv:1909.07097},
year = {2020}
}
备注
Accepted for MICCAI 2019