面向标注高效组织病理图像分割的人机交互组织原型学习

近年来，深度神经网络极大地推进了组织病理图像分割，但通常需大量标注数据。然而，由于全切片图像的十亿像素规模以及病理医生繁重的日常工作量，在临床实践中获取用于监督学习的像素级标签往往不可行。作为替代，已有研究探索使用费力较少的图像级标签的弱监督分割方法，但因缺乏密集监督，其性能不尽如人意。受近期自监督学习方法成功的启发，我们提出一种标注高效的组织原型字典构建流程，并提议利用所得原型来引导组织病理图像分割。具体而言，借助自监督对比学习，训练一个编码器将无标签的组织病理图像块投影到一个判别性嵌入空间中，在该空间中对这些图像块进行聚类，并通过病理医生高效的目视检查来识别组织原型。随后，使用该编码器将图像映射到嵌入空间，并通过查询组织原型字典生成像素级伪组织掩码。最后，利用这些伪掩码以密集监督训练分割网络，从而获得更优性能。在两个公开数据集上的实验表明，我们的人机交互组织原型学习方法能以更少的标注负担达到与全监督基线相当的分割性能，并优于其他弱监督方法。代码将在发表后公开。