用于组织病理学图像分割的约束深度弱监督
计算机视觉与模式识别
2017-08-30 v1
摘要
在本文中，我们开发了一种新的弱监督学习算法，用于学习分割组织病理学图像中的癌变区域。我们的工作处于多示例学习框架（MIL）下，并采用了一种新的表述，即深度弱监督（DWS）；我们还提出了一种有效的方法，向我们的神经网络引入约束以辅助学习过程。我们算法的贡献有三方面：(1) 我们构建了一个端到端的学习系统，利用全卷积网络（FCN）分割癌变区域，其中执行了图像到图像的弱监督学习。(2) 我们开发了一种深度弱监督表述，以在全卷积网络内利用弱监督进行多尺度学习。(3) 我们的方法中引入了关于正示例的约束，以有效探索易于获取的额外弱监督信息，并显著促进学习过程。该算法简称为 DWS-MIL，易于实现且训练高效。我们的系统在大规模组织病理学图像数据集上展示了最先进的结果，并可应用于组织病理学图像以外的各种医学成像应用，如 MRI、CT 和超声图像。
引用
@article{arxiv.1701.00794,
title = {Constrained Deep Weak Supervision for Histopathology Image Segmentation},
author = {Zhipeng Jia and Xingyi Huang and Eric I-Chao Chang and Yan Xu},
journal= {arXiv preprint arXiv:1701.00794},
year = {2017}
}