用于组织病理学图像细胞核分割的元掩码校正

细胞核分割是数字病理学分析中的一项基础任务，可以通过基于深度学习的方法实现自动化。然而，开发这种自动化方法需要大量带有精确标注掩码的数据，而这很难获得。使用弱标注数据进行训练是减少标注工作量的流行解决方案。在本文中，我们提出了一种新颖的基于元学习的细胞核分割方法，该方法遵循标签校正范式，以利用带有噪声掩码的数据。具体来说，我们设计了一个完全常规的元模型，该模型可以使用少量干净的元数据来校正噪声掩码。然后，校正后的掩码可用于监督分割模型的训练。同时，采用双层优化方法以端到端的方式交替更新主分割模型和元模型的参数。在两个核分割数据集上的大量实验结果表明，我们的方法达到了最先进的结果。在某些噪声设置下，它甚至取得了与在监督数据上训练的模型相当的性能。