基于层间与层内不确定性的特征聚合模型用于半监督组织病理学图像分割
计算机视觉与模式识别
2024-03-20 v1
摘要
在需要领域专业知识的组织学研究等应用中，获取像素级标注通常受到限制。目前已开发出多种半监督学习方法以应对有限的真值标注，例如流行的师生模型。然而，现有方法尚未充分利用学生模型内部的层级预测不确定性（intra-uncertainty）以及图像预测不确定性（inter-uncertainty）。为解决这些问题，我们首先提出了一种新颖的层间与层内不确定性正则化方法，用于度量并约束师生架构中的层间与层内不一致性。我们还提出了一种采用伪掩码引导特征聚合（PG-FANet）的新型两阶段网络作为分割模型。该两阶段结构与不确定性正则化策略相辅相成，避免了在求解不确定性时引入额外模块，且其聚合机制实现了多尺度与多阶段特征融合。在 MoNuSeg 和 CRAG 数据集上的综合实验结果表明，我们的 PG-FANet 优于其他最先进的方法，且我们的半监督学习框架在标注数据有限的情况下取得了极具竞争力的性能。
引用
@article{arxiv.2403.12767,
title = {Inter- and intra-uncertainty based feature aggregation model for semi-supervised histopathology image segmentation},
author = {Qiangguo Jin and Hui Cui and Changming Sun and Yang Song and Jiangbin Zheng and Leilei Cao and Leyi Wei and Ran Su},
journal= {arXiv preprint arXiv:2403.12767},
year = {2024}
}