基于自监督学习与协同训练利用病理图像点标注进行细胞核分割
图像与视频处理
2023-08-21 v2 计算机视觉与模式识别
定量方法
摘要
细胞核分割是数字病理中全切片图像分析的关键任务。一般而言，全监督学习的分割性能严重依赖于标注数据的数量与质量。然而，专业病理医生提供准确的像素级真值既耗时又昂贵，而获取如点标注之类的粗标签则容易得多。在本文中，我们提出一种仅需点标注训练的弱监督细胞核分割方法。首先，基于 Voronoi 图和 k-means 聚类方法由点标注导出粗像素级标签以避免过拟合。其次，设计了一种带指数移动平均方法的协同训练策略，以细化粗标签的不完整监督。第三，为病理图像细胞核分割量身定制了一种自监督视觉表示学习方法，将苏木精分量图像转换为 H&E 染色图像，以更好地理解细胞核与细胞质之间的关系。我们使用两个公共数据集对所提方法进行了综合评估。视觉与定量结果均证明了我们的方法优于最先进的方法，并且与全监督方法相比具有竞争力。代码：https://github.com/hust-linyi/SC-Net
引用
@article{arxiv.2202.08195,
title = {Nuclei Segmentation with Point Annotations from Pathology Images via Self-Supervised Learning and Co-Training},
author = {Yi Lin and Zhiyong Qu and Hao Chen and Zhongke Gao and Yuexiang Li and Lili Xia and Kai Ma and Yefeng Zheng and Kwang-Ting Cheng},
journal= {arXiv preprint arXiv:2202.08195},
year = {2023}
}
备注
Accepted by MedIA