利用多任务学习与一致性损失在数字病理学中通过弱监督进行细胞定位
图像与视频处理
2024-12-23 v1 计算机视觉与模式识别
摘要
细胞检测与分割是数字病理学自动化系统的组成部分。编码器-解码器网络已成为解决这些任务的有前景的方案。然而，这些网络的训练通常需要细胞的完整边界标注，这非常耗费人力且难以大规模获取。但在许多应用中，例如细胞计数，较弱的标注形式——如点标注或近似细胞计数——即可为训练提供充分的监督。本研究提出了一种新的混合监督方法，通过纳入源自目测过程（病理学家常用的一种快速视觉估计方法）的细胞计数，来训练数字病理学中的多任务网络。本研究有两个主要贡献：（1）首次提出了一种数字病理学的混合监督策略，将目测获得的细胞计数作为辅助监督信号来训练多任务网络。（2）该多任务网络被设计为同时学习细胞计数与细胞定位任务，并且本研究引入了一致性损失，通过惩罚这两个任务预测之间的不一致性来正则化训练。我们在两个苏木精-伊红染色组织图像数据集上的实验表明，所提出的方法有效利用了最弱的标注形式，在强标注有限时提升了性能。这些结果凸显了将目测导出的真值整合到网络训练中的潜力，从而减少对资源密集型标注的需求。
引用
@article{arxiv.2412.15392,
title = {Leveraging Weak Supervision for Cell Localization in Digital Pathology Using Multitask Learning and Consistency Loss},
author = {Berke Levent Cesur and Ayse Humeyra Dur Karasayar and Pinar Bulutay and Nilgun Kapucuoglu and Cisel Aydin Mericoz and Handan Eren and Omer Faruk Dilbaz and Javidan Osmanli and Burhan Soner Yetkili and Ibrahim Kulac and Can Fahrettin Koyuncu and Cigdem Gunduz-Demir},
journal= {arXiv preprint arXiv:2412.15392},
year = {2024}
}