利用组织图从不准确与不完整标签中学习全切片分割

将组织学图像分割为诊断相关区域对于支持病理学家及时可靠的决策至关重要。为此，已提出计算机辅助技术来描绘扫描组织学切片中的相关区域。然而，这些技术需要特定任务的大规模像素标注数据集，而这类数据获取繁琐、耗时、昂贵，且对许多组织学任务而言难以实现。因此，提出了弱监督语义分割技术，以利用更廉价、更快速获取的弱监督信息。本文中，我们提出SegGini，一种使用图的弱监督分割方法，可利用弱多重标注（即不准确与不完整标注）来分割任意大图像，规模从组织微阵列（TMA）到全切片图像（WSI）。形式上，SegGini为输入组织学图像构建组织图表示，其中图节点描绘组织区域。然后，它通过使用不准确图像级标签、不完整涂鸦或两者，经由节点分类执行弱监督分割。我们在两个包含TMA和WSI的公开前列腺癌数据集上评估了SegGini。我们的方法在两种数据集的多种标注设置下均达到了最先进的分割性能，且与病理学家基线相当。