循环学习: 衔接图像级标签与细胞核实例分割
摘要
组织病理学图像上的细胞核实例分割对疾病分析具有重要临床价值。一般而言,该任务的 fully-supervised(全监督)算法需像素级人工标注,对于高细胞核密度而言尤为耗时费力。为减轻标注负担,我们试图通过图像级弱监督学习解决该问题,而此法在细胞核实例分割中尚少有探索。相较于多数使用其他弱标注(涂鸦、点等)的现有细胞核实例分割方法,我们的方法更省人力。在细胞核实例分割中使用图像级标注的障碍在于缺乏充分的位置信息,导致严重的细胞核遗漏或重叠。本文提出一种新颖的图像级弱监督方法,称为循环学习(cyclic learning),以解决此问题。循环学习包含一个前端分类任务与一个后端半监督实例分割任务,以受益于多任务学习(MTL)。我们利用具可解释性的深度学习分类器作为前端,将图像级标签转换为高置信度伪掩码集合,并构建半监督架构作为后端,在这些伪掩码监督下执行细胞核实例分割。最为重要的是,循环学习被设计为在前端分类器与后端半监督部分间循环共享知识,使整个系统能从图像级标签中充分提取潜在信息并收敛至更优极值。在三个数据集上的实验证明了我们方法的良好泛化性,其优于其他图像级弱监督细胞核实例分割方法,并达到与全监督方法相当的性能。
引用
@article{arxiv.2306.02691,
title = {Cyclic Learning: Bridging Image-level Labels and Nuclei Instance Segmentation},
author = {Yang Zhou and Yongjian Wu and Zihua Wang and Bingzheng Wei and Maode Lai and Jianzhong Shou and Yubo Fan and Yan Xu},
journal= {arXiv preprint arXiv:2306.02691},
year = {2023}
}
备注
This article has been accepted for publication in a future issue of this journal, but has not been fully edited. Content may change prior to final publication. Citation information: DOI https://doi.org/10.1109/TMI.2023.3275609, IEEE Transactions on Medical Imaging. Code: https://github.com/wuyongjianCODE/Cyclic