负证据在组织学图像可解释分类中至关重要

仅使用全局图像类别标签，类激活映射等弱监督学习方法可训练 CNN 联合对图像分类并定位与预测类别相关的感兴趣区域。然而，若无像素级任何引导，此类方法可能产生不准确的区域。已知该问题在组织学图像上比在自然图像上更具挑战性，因为物体显著性更低、结构变化更多，且前景与背景区域相似性更强。因此，用于 CNN 视觉解释的计算机视觉方法可能无法直接适用。本文提出一种基于复合损失的简单而高效的方法，从完全负样本（即无正区域的样本）中学习信息，从而减少假阳性/假阴性。我们的新损失函数包含两个互补项：第一项利用从 CNN 分类器收集的正证据，第二项利用训练数据中的完全负样本。特别地，一个预训练的 CNN 配备了解码器，可精炼感兴趣区域。该 CNN 被用于收集像素级正负证据以训练解码器。我们称为 NEGEV 的方法利用了数据中自然出现的完全负样本，除图像类别标签外无需任何额外监督信号。大量实验表明，我们提出的方法在 GlaS（结肠癌公共基准）和 Camelyon16（基于补丁的乳腺癌基准，使用三种不同骨干网络）上大幅优于相关最先进方法。我们的结果凸显了同时使用正证据和负证据的好处，前者来自分类器，后者在数据集中自然可得。