利用自监督学习刻画标签间几何关系：在 Gleason 分级分割中的应用
图像与视频处理
2021-10-04 v1 计算机视觉与模式识别
摘要
从 Gleason 分级组织病理学图像中分割前列腺癌（PCa）组织对于准确诊断至关重要。尽管基于深度学习（DL）的分割方法达到了最先进的精度，但它们依赖于带有手动标注的大型数据集。我们提出一种方法，通过自监督学习不同疾病标签之间的几何关系来合成 PCa 组织病理学图像。我们采用弱监督分割方法，利用 Gleason 评分分割病变区域，并将所得分割图用于训练形状复原网络（ShaRe-Net），以自监督方式预测缺失的掩码片段。使用 DenseUNet 作为主干生成器架构，我们引入潜变量采样以在图像生成过程中注入多样性，从而提升鲁棒性。在多个组织病理学数据集上的实验证明了我们的方法在分割任务中优于竞争性的图像合成方法。消融研究显示了在生成高质量图像时整合几何与多样性的益处，并且我们这种使用有限类别标注数据的自监督方法取得了与全监督学习相近的性能。
引用
@article{arxiv.2110.00404,
title = {Learning of Inter-Label Geometric Relationships Using Self-Supervised Learning: Application To Gleason Grade Segmentation},
author = {Dwarikanath Mahapatra},
journal= {arXiv preprint arXiv:2110.00404},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2106.10230