用于组织病理学图像分割的深度多尺度U-Net架构与标签噪声鲁棒训练策略
图像与视频处理
2022-08-16 v2 计算机视觉与模式识别
摘要
尽管 U-Net 架构已被广泛用于医学图像分割，我们在本工作中解决其两个不足。首先，当待分割目标区域在形状和大小上表现出显著变化时，原始 U-Net 的精度会下降。即使 U-Net 已具备一定的多尺度特征分析能力，我们仍提出在 U-Net 编码器的每个卷积模块中显式添加多尺度特征图，以改进组织学图像分割。其次，当用于监督学习的标注含噪声或不完整时，U-Net 模型的精度也会受损。这可能是由于人类专家难以非常精确准确地识别和勾画所有特定病理实例所致。我们通过引入辅助置信度图来解决此挑战，该图对给定目标区域边界的强调较弱。此外，我们利用深度网络的自助（bootstrapping）特性来智能地处理标注缺失问题。在乳腺癌淋巴结私有数据集上的实验中，主要任务为分割生发中心与窦性组织细胞增生，我们观察到基于所提出的两种增强手段相较 U-Net 基线有实质性提升。
引用
@article{arxiv.2205.01777,
title = {Deep Multi-Scale U-Net Architecture and Label-Noise Robust Training Strategies for Histopathological Image Segmentation},
author = {Nikhil Cherian Kurian and Amit Lohan and Gregory Verghese and Nimish Dharamshi and Swati Meena and Mengyuan Li and Fangfang Liu and Cheryl Gillet and Swapnil Rane and Anita Grigoriadis and Amit Sethi},
journal= {arXiv preprint arXiv:2205.01777},
year = {2022}
}
备注
12 pages, 4 figures , 2 tables ,Added Attention UNet Results, Added Sinus and Germinal Center overlay images, Modified paper format, Fixed Title typos