数字病理学中通过自然图像涂鸦监督以更少标签学习
图像与视频处理
2022-01-24 v2 计算机视觉与模式识别
机器学习
摘要
在数字病理学（DP）领域训练深度学习模型的一个关键挑战是医学专家标注成本高昂。解决该问题的一种途径是从自然图像域（NI）进行迁移学习，其中标注成本显著更低。通过类标签从NI到DP的跨域迁移学习已被证明是成功的。依赖类标签的一个潜在弱点是缺乏空间信息，而空间信息可从空间标签（如全像素级分割标签和涂鸦标签）获得。我们证明，来自NI域的涂鸦标签可提升DP模型在两个癌症分类数据集（Patch Camelyon乳腺癌和结直肠癌数据集）上的性能。此外，我们表明，使用涂鸦标签训练的模型取得了与全像素级分割标签相同的性能提升，尽管其采集明显更容易且更快。
引用
@article{arxiv.2201.02627,
title = {Learning with Less Labels in Digital Pathology via Scribble Supervision from Natural Images},
author = {Eu Wern Teh and Graham W. Taylor},
journal= {arXiv preprint arXiv:2201.02627},
year = {2022}
}
备注
To appear in IEEE International Symposium on Biomedical Imaging (ISBI) 2022