基于MIL伪标签知识蒸馏的弱监督组织病理图像分割提升
光学
2024-12-04 v2 计算物理
摘要
组织病理图像的肿瘤分割对于癌症诊断至关重要。虽然完全监督的模型在像素级标注下表现出色，但创建此类标注工作量大且成本高昂。在弱监督条件下（即仅有粗粒度图像标签）实现准确的组织病理图像分割仍是一个具有挑战性的问题。虽然多实例学习（MIL）在分割任务中显示出前景，但令人惊讶的是，尚无前人的工作将MIL输出用作伪掩码进行训练。我们怀疑，这源于对MIL结果噪声可能影响伪监督质量的担忧。为探索利用MIL基于分割的伪监督的潜力，我们提出了一种新的病理图像分割蒸馏框架。该框架引入了迭代融合-知识蒸馏策略，使学生模型能够直接从教师模型的综合结果中学习。通过在固定教师模型和可学习学生模型之间进行动态角色转换，并引入加权交叉熵损失进行模型优化，该方法防止了在知识蒸馏过程中性能恶化和噪声放大。在Camelyon16和Digestpath2019等公开组织病理数据集上的实验结果表明，我们的方法不仅补充了各种MIL基于分割方法，还显著提升了其性能。此外，我们的方法在该领域实现了新的SOTA。
引用
@article{arxiv.2407.10273,
title = {Quantized Inverse Design for Photonic Integrated Circuits},
author = {Frederik Schubert and Yannik Mahlau and Konrad Bethmann and Fabian Hartmann and Reinhard Caspary and Marco Munderloh and Jörn Ostermann and Bodo Rosenhahn},
journal= {arXiv preprint arXiv:2407.10273},
year = {2024}
}
备注
26 pages, 11 figures