通过分子赋能学习利用非专业标注者实现病理图像分割的平民化
图像与视频处理
2023-07-25 v2 计算机视觉与模式识别
摘要
高分辨率吉像素(Giga-pixel)全切片图像(WSI)中的多类细胞分割对各种临床应用至关重要。训练此类AI模型通常需要经验丰富的领域专家(如病理学家)进行劳动密集型的逐像素手动标注。此外,当通过人眼区分细粒度细胞类型(如足细胞与系膜细胞)时,此类标注易出错。本研究中,我们评估了仅使用非专业标注者(不具备医学领域知识的标注者)来实现病理AI部署平民化的可行性。本文的贡献有三方面:(1) 我们提出了一种利用非专业标注者部分标签进行多类细胞分割的分子赋能学习方案;(2) 所提方法集成了吉像素级分子-形态跨模态配准、分子知情标注与分子导向分割模型,从而通过3名非专业标注者取得显著优于2名经验丰富病理学家的性能;(3) 提出了一种深度纠正学习(利用不完美标签学习)方法,以利用部分标注的含噪数据进一步提升分割性能。实验结果显示,我们的学习方法利用非专业标注者的分子知情标注取得了 F1 = 0.8496,优于经验丰富病理学家的常规形态学标注(F1 = 0.7015)。我们的方法将病理分割深度模型的开发平民化至非专业标注者水平,从而类似非医学计算机视觉任务般扩大了学习过程的规模。官方实现与细胞标注公开于 https://github.com/hrlblab/MolecularEL。
引用
@article{arxiv.2306.00047,
title = {Democratizing Pathological Image Segmentation with Lay Annotators via Molecular-empowered Learning},
author = {Ruining Deng and Yanwei Li and Peize Li and Jiacheng Wang and Lucas W. Remedios and Saydolimkhon Agzamkhodjaev and Zuhayr Asad and Quan Liu and Can Cui and Yaohong Wang and Yihan Wang and Yucheng Tang and Haichun Yang and Yuankai Huo},
journal= {arXiv preprint arXiv:2306.00047},
year = {2023}
}