面向组织学图像半监督语义分割的变上下文与特征扰动一致性正则化
计算机视觉与模式识别
2023-02-14 v2
摘要
在计算病理学（CPath）领域，对组织学图像中各类组织与细胞核类型进行语义分割是许多下游任务的基础。近年来，深度学习（DL）方法在分割任务上表现良好，但DL方法通常需要大量像素级标注数据。像素级标注有时需要专家知识与时间，获取过程繁琐且昂贵。本文提出一种基于一致性的半监督学习（SSL）方法，通过利用大量无标注数据进行模型训练来缓解该挑战，从而减少对大型标注数据集的需求。然而，由于训练数据有限，SSL模型也可能易受上下文变化与特征扰动影响，表现出泛化能力差。我们提出一种SSL方法，通过对抗变化的上下文与特征扰动施加一致性，从有标注与无标注图像中学习鲁棒特征。所提方法通过从变化上下文中以像素级方式对比重叠图像对，实现上下文感知一致性，从而得到鲁棒且上下文不变的特征。我们表明交叉一致性训练使编码器特征对不同扰动保持不变，并提升预测置信度。最后，采用熵最小化进一步增强无标注数据最终预测图的置信度。我们在两个公开大型数据集（BCSS和MoNuSeg）上进行大量实验，显示出优于最先进方法的性能。
引用
@article{arxiv.2301.13141,
title = {Consistency Regularisation in Varying Contexts and Feature Perturbations for Semi-Supervised Semantic Segmentation of Histology Images},
author = {Raja Muhammad Saad Bashir and Talha Qaiser and Shan E Ahmed Raza and Nasir M. Rajpoot},
journal= {arXiv preprint arXiv:2301.13141},
year = {2023}
}