基于块对比学习的组织病理学图像分割高效自监督方法
计算机视觉与模式识别
2023-01-04 v2 机器学习
摘要
学习未标记数据的判别性表示是一项具有挑战性的任务。对比自监督学习提供了一个框架，利用从简单 pretext 任务中学习到的相似性度量概念来学习有意义的表示。在本工作中，我们提出一种简单高效的自监督图像分割框架，使用图像块的对比学习，无需显式 pretext 任务或任何进一步的标记微调。一个全卷积神经网络（FCNN）以自监督方式训练，以辨别输入图像中的特征并获得捕捉网络对属于同一类对象置信度的置信图。基于置信图中的平均熵采样正块与负块用于对比学习。当正块间的信息分离较小且正负对间的信息分离较大时，假定收敛。所提模型仅由一个含 10.8k 参数的简单 FCNN 组成，在高分辨率显微镜数据集上约 5 分钟收敛，比达到相似性能的相关自监督方法小几个数量级。我们在两个组织病理学数据集的细胞核分割任务上评估了所提方法，并展示出与相关自监督及监督方法相当的性能。
引用
@article{arxiv.2208.10779,
title = {Efficient Self-Supervision using Patch-based Contrastive Learning for Histopathology Image Segmentation},
author = {Nicklas Boserup and Raghavendra Selvan},
journal= {arXiv preprint arXiv:2208.10779},
year = {2023}
}
备注
Version of this article (without Appendices) is accepted for an oral presentation at the 6th Northern Lights Deep Learning Conference, 2023, Troms{\o}, Norway. 15 pages, 8 figures. Source code at https://github.com/nickeopti/bach-contrastive-segmentation