基于最大最小不确定性的组织学图像深度可解释分类与弱监督分割
计算机视觉与模式识别
2021-10-12 v3 机器学习
摘要
弱监督学习(WSL)近来引起了广泛关注，因为它缓解了像素级标注的缺乏。给定全局图像标签，WSL方法产生像素级预测（分割），从而能够解释类别预测。尽管最近在自然图像上取得了成功，但当前景和背景区域具有相似的视觉线索时，此类方法会面临重要挑战，导致分割中假阳性率高，这在具有挑战性的组织学图像中就是这种情况。WSL训练通常由标准分类损失驱动，这些损失隐式地最大化模型置信度，并定位与分类决策相关的判别区域。因此，它们缺乏显式建模非判别区域和降低假阳性率的机制。我们提出了新的正则化项，使模型能够同时寻找非判别和判别区域，同时抑制不平衡分割。我们引入高不确定性作为定位不影响分类器决策的非判别区域的标准，并用评估后验预测偏离均匀分布的原始Kullback-Leibler (KL)散度损失来描述它。我们的KL项在模型输入潜在非判别区域时鼓励模型的高不确定性。我们的损失整合了：(i) 寻求前景的交叉熵，其中模型对类别预测的置信度高；(ii) 寻求背景的KL正则化项，其中模型不确定性高；(iii) 抑制不平衡分割的对数障碍项。在公共GlaS结肠癌数据和Camelyon16基于块的乳腺癌基准上的综合实验和消融研究显示了相对于最先进WSL方法的显著改进，并证实了我们新正则化项的效果。
引用
@article{arxiv.2011.07221,
title = {Deep Interpretable Classification and Weakly-Supervised Segmentation of Histology Images via Max-Min Uncertainty},
author = {Soufiane Belharbi and Jérôme Rony and Jose Dolz and Ismail Ben Ayed and Luke McCaffrey and Eric Granger},
journal= {arXiv preprint arXiv:2011.07221},
year = {2021}
}
备注
16 pages, 15 figures, under review