利用图块级分类标签进行组织病理学组织语义分割的多层伪监督

组织级语义分割是计算病理学中至关重要的一步。全监督模型已通过密集的像素级标注取得了卓越的性能。然而，在十亿像素级的全切片图像上绘制此类标签极其昂贵且耗时。在本文中，我们仅使用图块级分类标签来实现组织病理学图像上的组织语义分割，最终减少了标注工作量。我们提出了一个包含分类和分割两个阶段的二步模型。在分类阶段，我们提出了一个基于 CAM 的模型，利用图块级标签生成伪掩膜。在分割阶段，我们通过提出的多层伪监督实现了组织语义分割。我们提出了若干技术创新，以缩小像素级和图块级标注之间的信息鸿沟。作为本文的一部分，我们为肺腺癌引入了一个新的弱监督语义分割（WSSS）数据集（LUAD-HistoSeg）。我们在两个数据集上进行了多项实验以评估我们提出的模型。我们提出的模型优于两种最先进的 WSSS 方法。值得注意的是，我们可以获得与全监督模型相当的定量和定性结果，在 MIoU 和 FwIoU 上仅有约 2% 的差距。与人工标注相比，我们的模型可以极大地节省标注时间，从数小时缩短至数分钟。源代码可在以下链接获取：\url{https://github.com/ChuHan89/WSSS-Tissue}。