Gleason 分级中基于混合监督的多示例学习
计算机视觉与模式识别
2022-06-28 v1
摘要
随着计算病理学的发展，通过全切片图像（WSIs）进行 Gleason 分级的深度学习方法具有广阔前景。由于 WSI 尺寸极大，图像标签通常仅包含切片级标签或有限的像素级标签。当前主流方法采用多示例学习预测 Gleason 分级。然而，一些仅考虑切片级标签的方法忽略了包含丰富局部信息的有限像素级标签。此外，额外考虑像素级标签的方法忽略了像素级标签的不准确性。为解决这些问题，我们提出一种基于多示例学习框架的混合监督 Transformer。该模型同时利用切片级标签和实例级标签，以在切片级实现更准确的 Gleason 分级。通过在混合监督训练过程中引入高效的随机掩码策略，进一步降低了不准确实例级标签的影响。我们在 SICAPv2 数据集上取得了最先进的性能，且可视化分析显示了实例级的准确预测结果。源代码见 https://github.com/bianhao123/Mixed_supervision。
引用
@article{arxiv.2206.12798,
title = {Multiple Instance Learning with Mixed Supervision in Gleason Grading},
author = {Hao Bian and Zhuchen Shao and Yang Chen and Yifeng Wang and Haoqian Wang and Jian Zhang and Yongbing Zhang},
journal= {arXiv preprint arXiv:2206.12798},
year = {2022}
}
备注
Accepted by MICCAI 2022