EP-SAM：基于增强提示的弱监督病理图像分割

本工作提出一种超越监督学习的新方法，用于有效的病理图像分析，解决受限稳健标注数据的问题。疾病如癌症的病理诊断传统上依赖于医生和病理学家对形态特征的评估。然而，近期计算机辅助诊断（CAD）系统的发展正受到广泛关注，作为诊断支持工具。尽管深度学习的发展显著改善了 CAD，但分割模型通常需要大量像素级标注数据，而此类标注成本高昂。基于非监督方法的现有研究仍在受限泛化性方面困扰，尚未出现实用的解决方案。为此，我们提出一种弱监督语义分割（WSSS）模型，通过结合类激活图和基于 Segment Anything Model（SAM）的伪标签生成来实现。为有效预训练，我们采用 SAM-a 基础模型进行预训练，该模型在大规模数据集上训练，仅通过粗糙提示即可以零射流配置运行。我们的方法将增强注意力 Dropout 层的知识传递给 SAM，从而生成伪标签。为证明所提方法的优越性，我们在乳腺癌病理数据集上进行实验。所提方法在三个数据集上均优于其他 WSSS 方法，显示出仅需 12GB GPU 内存即可实现此目标的效率。我们的代码可在 https://github.com/QI-NemoSong/EP-SAM 查阅。