用于病理图像实例级预测的域自适应多示例学习
计算机视觉与模式识别
2023-04-10 v1
摘要
病理图像分析是从细胞图像中检测癌症等异常的重要过程。然而，由于图像尺寸通常非常大，提供精细标注的成本很高，难以应用机器学习技术。一种在保持低标注成本的同时提升异常识别性能的方法是仅使用每张切片的标签，或使用另一已标注数据集的信息。然而，此类弱监督信息往往无法提供充足的性能。在本文中，我们提出了一种新的任务设定，以在不增加标注成本的情况下提升目标数据集的分类性能。为解决该问题，我们提出一种结合多示例学习（MIL）与域适应（DA）方法的流程。此外，为有效融合两种方法的监督信息，我们提出一种生成高置信度伪标签的方法。我们在为本研究创建的病理图像数据集上进行了实验，结果表明所提方法相比现有方法显著提升了分类性能。
引用
@article{arxiv.2304.03537,
title = {Domain Adaptive Multiple Instance Learning for Instance-level Prediction of Pathological Images},
author = {Shusuke Takahama and Yusuke Kurose and Yusuke Mukuta and Hiroyuki Abe and Akihiko Yoshizawa and Tetsuo Ushiku and Masashi Fukayama and Masanobu Kitagawa and Masaru Kitsuregawa and Tatsuya Harada},
journal= {arXiv preprint arXiv:2304.03537},
year = {2023}
}
备注
Accepted to ISBI 2023 (Oral). ISBI paper version