面向病理全切片图像分类的混合监督学习
计算机视觉与模式识别
2021-10-26 v3
摘要
基于分类标签的弱监督学习已在多项任务中展现出高性能，而少量像素级精细标注亦可负担。自然而言产生一个问题：像素级（如分割）与图像级（如分类）标注的结合能否带来进一步提升。然而在计算病理学领域，这是一项困难任务，原因在于：全切片图像的高分辨率使得端到端分类模型训练难以进行，这也给以往的弱监督或混合监督学习研究带来挑战。为应对该问题，我们提出一种混合监督学习框架，适用于具备充足图像级粗标注与少量像素级细标注的高分辨率图像。该框架在训练块模型时，可谨慎利用粗图像级标签精炼所生成的像素级伪标签。我们提出完整策略以抑制像素级假阳性与假阴性。使用一个大规模混合标注数据集评估混合监督学习的有效性。通过在初始仅图像级标注的样本中提取像素级伪标签，我们在图像级阳/阴分类任务中，相较仅用已有标签训练取得了高 5.2% 的特异性，同时保持 100% 灵敏度。
引用
@article{arxiv.2107.00934,
title = {Hybrid Supervision Learning for Pathology Whole Slide Image Classification},
author = {Jiahui Li and Wen Chen and Xiaodi Huang and Zhiqiang Hu and Qi Duan and Hongsheng Li and Dimitris N. Metaxas and Shaoting Zhang},
journal= {arXiv preprint arXiv:2107.00934},
year = {2021}
}
备注
Accepted in MICCAI2021