HisynSeg：基于图像混合合成与一致性正则化的弱监督组织学图像分割
计算机视觉与模式识别
2024-12-31 v1 人工智能
摘要
组织语义分割是计算病理学中的关键任务之一。为避免获取像素级标注的高昂和费时操作，广泛尝试采用 class activation map (CAM) 作为弱监督学习方案以实现像素级组织分割。然而，CAM 方法容易受到 under-activation 和 over-activation 问题的影响，导致分割性能差。为解决此问题，我们提出一种新颖的用于组织学图像的弱监督语义分割框架，基于图像混合合成与一致性正则化，称为 HisynSeg。具体而言，我们提出两种基于 Mosaic 变换和 B\'ezier 掩码生成的合成组织学图像及其像素级掩码，以进行完全监督模型训练，其中开发了图像过滤模块以保证合成图像的真实性。此外，为进一步避免模型对偶尔合成人工痕迹的过拟合，我们提出一种新颖的自监督一致性正则化，使无分割掩码的真实图像能够监督分割模型的训练。通过整合所提出的技术，HisynSeg 框架成功地将弱监督语义分割问题转化为完全监督问题，显著提高了分割精度。在三个数据集上的实验结果表明，所提方法实现了最先进的性能。代码已公开于 https://github.com/Vison307/HisynSeg。
引用
@article{arxiv.2412.20924,
title = {HisynSeg: Weakly-Supervised Histopathological Image Segmentation via Image-Mixing Synthesis and Consistency Regularization},
author = {Zijie Fang and Yifeng Wang and Peizhang Xie and Zhi Wang and Yongbing Zhang},
journal= {arXiv preprint arXiv:2412.20924},
year = {2024}
}
备注
Accepted by IEEE Transactions on Medical Imaging