利用不确定性实现组织学图像的深度可解释分类与弱监督分割
图像与视频处理
2022-05-13 v1 计算机视觉与模式识别
机器学习
摘要
深度弱监督方法仅使用图像类别标签进行训练，即可实现图像分类与 ROI 分割以获得可解释性。尽管这些方法在自然图像上取得了成功，但在组织学数据上面临若干挑战：ROI 在视觉上与背景相似，使模型容易出现高像素级假阳性。这些方法缺乏显式建模非判别区域的机制，从而推高了假阳性率。我们提出了新的正则化项，使模型能够同时寻找非判别区域与判别区域，同时抑制不平衡的分割，且仅使用图像类别标签。我们的方法由两个网络组成：一个生成分割掩码的定位器，其后接一个分类器。训练损失推动定位器构建包含大多数判别区域同时建模背景区域的分割掩码。在两个组织学数据集上的综合实验表明，我们的方法在降低假阳性和准确分割 ROI 方面具有优势。
引用
@article{arxiv.2205.05841,
title = {Leveraging Uncertainty for Deep Interpretable Classification and Weakly-Supervised Segmentation of Histology Images},
author = {Soufiane Belharbi and Jérôme Rony and Jose Dolz and Ismail Ben Ayed and Luke McCaffrey and Eric Granger},
journal= {arXiv preprint arXiv:2205.05841},
year = {2022}
}
备注
4 pages, 4 figures