用于半监督组织学分割的学习解缠涂色与结构表征
计算机视觉与模式识别
2025-08-05 v2 人工智能
摘要
组织学图像中准确的腺体分割对于癌症诊断和预后至关重要。然而， Hematoxylin and Eosin (H&E) 染色和组织组织学结构的显著差异，结合有限的标注数据，构成了自动化分割的主要挑战。为此，我们提出了 Color-Structure Dual-Student (CSDS)，一种旨在学习解缝涂色外观与组织结构表征的新型半监督分割框架。CSDS 包含两个专门的学生网络：一个在涂色增强输入上训练以建模色彩变化，另一个在结构增强输入上训练以捕获形态线索。一个通过指数移动平均 (EMA) 更新的共享教师网络通过伪标签监督两个学生。为进一步提高标签可靠性，我们引入了涂色感知和结构感知不确定性估计模块，以自适应调节每个学生在训练期间的贡献。在 GlaS 和 CRAG 数据集上的实验表明，CSDS 在低标注设置下实现了超越现有方法的性能，在 5% 标注数据时 GlaS 提升最高可达 1.2%，CRAG 提升 0.7%；在 10% 标注数据时分别提升 0.7% 和 1.4%。我们的代码和预训练模型已发布于 https://github.com/hieuphamha19/CSDS。
引用
@article{arxiv.2507.03923,
title = {Learning Disentangled Stain and Structural Representations for Semi-Supervised Histopathology Segmentation},
author = {Ha-Hieu Pham and Nguyen Lan Vi Vu and Thanh-Huy Nguyen and Ulas Bagci and Min Xu and Trung-Nghia Le and Huy-Hieu Pham},
journal= {arXiv preprint arXiv:2507.03923},
year = {2025}
}
备注
This paper has been accepted to Compayl @ MICCAI 2025