GenSelfDiff-HIS：基于扩散生成式自监督的组织病理学图像分割方法
计算机视觉与模式识别
2024-09-12 v2
摘要
组织病理学图像分割是一项费力且耗时的任务，通常需要经验丰富的病理学家进行分析以进行准确检查。为减轻这一负担，已有研究采用监督式机器学习方法，利用大规模标注数据集进行组织病理学图像分析。然而，在许多场景下，大规模标注数据的可用性成为训练此类模型的瓶颈。自监督学习（SSL）是一种替代范式，它通过仅利用通常充足的未标注数据构建模型，从而提供一定缓解。SSL的基本思想是训练网络在未标注数据上执行一个或多个伪任务或 pretext 任务，并将其随后用作各种下游任务的基础。研究表明，SSL的成功关键取决于所考虑的 pretext 任务。尽管已有诸多为分类问题设计 pretext 任务的努力，但针对组织病理学分割的SSL尝试却不多。受此启发，本文提出一种通过生成式扩散模型进行组织病理学图像分割的SSL方法。我们的方法基于如下观察：扩散模型有效地解决了类似于分割任务的图像到图像翻译任务。因此，我们提出将生成式扩散作为组织病理学图像分割的 pretext 任务。我们还提出了一种基于多损失函数的下游任务微调方法。我们在两个公开可用数据集以及一个新提出的包含苏木精和伊红（H&E）染色图像及标注的头颈（HN）癌数据集上，使用多个指标验证了我们的方法。代码将在 https://github.com/suhas-srinath/GenSelfDiff-HIS 公开。
引用
@article{arxiv.2309.01487,
title = {GenSelfDiff-HIS: Generative Self-Supervision Using Diffusion for Histopathological Image Segmentation},
author = {Vishnuvardhan Purma and Suhas Srinath and Seshan Srirangarajan and Aanchal Kakkar and Prathosh A. P},
journal= {arXiv preprint arXiv:2309.01487},
year = {2024}
}
备注
Accepted to IEEE Transactions on Medical Imaging, 2024