面向组织病理学图像中不完整标注的二分类与多分类细胞检测的正-无标注学习
计算机视觉与模式识别
2023-02-17 v1
摘要
组织病理学图像中的细胞检测对临床实践和研究具有重要意义，卷积神经网络（CNNs）已取得显著的细胞检测结果。通常，为训练基于 CNN 的细胞检测模型，训练图像中每个正实例都需要被标注，且未被标为正类的实例被视为负样本。然而，由于细胞数量大且多样性高，人工细胞标注复杂，难以保证每个正实例都被标注。在许多情况下，仅有不完整标注可用，其中部分正实例被标注而其余未被标注，且典型网络训练中负样本的分类损失项变得不正确。本工作中，为解决此不完整标注问题，我们提出将检测网络的训练重新表述为正-无标注学习问题。由于未标注区域中的实例可能为正或负，它们具有未知标签。利用带未知标签的样本与正标注样本，我们首先推导出二分类细胞检测中对应于负样本的分类损失项的近似，并基于此近似进一步将所提框架扩展至多分类细胞检测。为评估，我们在四个公开可用数据集上进行了实验。实验结果表明，在给定不完整标注用于网络训练时，我们的方法提升了组织病理学图像中细胞检测的性能。
引用
@article{arxiv.2302.08050,
title = {Positive-unlabeled learning for binary and multi-class cell detection in histopathology images with incomplete annotations},
author = {Zipei Zhao and Fengqian Pang and Yaou Liu and Zhiwen Liu and Chuyang Ye},
journal= {arXiv preprint arXiv:2302.08050},
year = {2023}
}
备注
Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2022:027. arXiv admin note: text overlap with arXiv:2106.15918