用于组织病理学图像中不完整标注细胞检测的正-无标注学习
计算机视觉与模式识别
2021-07-01 v1
摘要
组织病理学图像中的细胞检测在临床实践中具有重要价值。卷积神经网络(CNNs)已被应用于细胞检测以提高检测精度，其中需要细胞标注用于网络训练。然而，由于细胞的多样性和数量庞大，包含训练图像中每个感兴趣细胞的完整标注可能具有挑战性。通常可获得不完整标注，其中正标注结果经过仔细检验以确保其可靠性，但可能存在其他正实例（即感兴趣细胞）未包含在标注中。这种标注策略导致对真负样本知识的缺乏。大多数现有方法在网络训练时简单地将未标注为正样本的实例视为真负样本，这会对网络性能产生不利影响。在本工作中，为解决不完整标注问题，我们将检测网络的训练表述为正-无标注(PU)学习问题。具体而言，网络训练中的分类损失被修正以考虑不完整标注，其中对应于负样本的项用真正样本和标签未知的其他样本近似。为评估所提方法，在一个公开的乳腺癌细胞有丝分裂检测数据集上进行了实验，实验结果表明我们的方法在给定不完整标注训练时提升了细胞检测性能。
引用
@article{arxiv.2106.15918,
title = {Positive-unlabeled Learning for Cell Detection in Histopathology Images with Incomplete Annotations},
author = {Zipei Zhao and Fengqian Pang and Zhiwen Liu and Chuyang Ye},
journal= {arXiv preprint arXiv:2106.15918},
year = {2021}
}
备注
Accepted by MICCAI 2021