Omni-Seg：一种利用部分标注数据用于多标签肾脏病理图像分割的单动态网络
图像与视频处理
2022-03-24 v2 计算机视觉与模式识别
摘要
在 Giga-pixel 病理图像上的计算机辅助定量分析为组织学检查提供了新途径。相关创新主要集中于癌症病理学（即肿瘤分割与表征）。在非癌病理学中，学习算法可被要求同时检查更全面的 tissue 类型，作为一种多标签设定。先前方法通常需训练多个分割网络以匹配异质组织类型（如肾小球丛、肾小球单位、近端小管、远端小管、小管周围毛细血管及动脉）的域特定知识。本文中，我们提出一种动态单分割网络（Omni-Seg），其利用部分标注图像（即每幅训练图像仅标注一种组织类型）学习分割肾脏病理学中的多种组织类型。通过从六种组织类型的约 150,000 幅 patch-wise 病理图像中学习，所提 Omni-Seg 网络相较于先前多网络与多头设计取得了更优分割精度与更少资源消耗。在测试阶段，所提方法仅使用“部分标注”训练图像即获得“完全标注”的组织分割结果。源代码见 https://github.com/ddrrnn123/Omni-Seg。
引用
@article{arxiv.2112.12665,
title = {Omni-Seg: A Single Dynamic Network for Multi-label Renal Pathology Image Segmentation using Partially Labeled Data},
author = {Ruining Deng and Quan Liu and Can Cui and Zuhayr Asad and Haichun Yang and Yuankai Huo},
journal= {arXiv preprint arXiv:2112.12665},
year = {2022}
}