通过自监督引导的分布外评分实现组织病理学图像的鲁棒半监督学习
计算机视觉与模式识别
2023-03-20 v1
摘要
在难以获得高质量医学图像监督的情况下，半监督学习是医学图像分析中监督学习的一种极具前景的替代方案。然而，半监督学习假设未审核数据的潜在分布与少数标记样本的分布相匹配，这在实际场景中通常是不成立的，尤其是在医学图像中。半监督学习的无标签训练池中分布外样本的存在是不可避免的，并且会降低算法的效率。过滤异常样本的常见预处理方法可能不适用于涉及广泛解剖结构和罕见形态的医学图像。在本文中，我们提出了一种新的流程，以解决数字组织学图像中的开集监督学习挑战。我们的流程基于自监督学习有效地估计每个无标签数据点的 OOD 分数，以校准后续 semi-SL 框架所需的知识。从 OOD 检测器导出的异常分数用于调节后续 semi-SL 阶段的样本选择，确保符合少数标记样本分布的样本能更频繁地暴露于后续的 semi-SL 框架中。我们的框架兼容任何 semi-SL 框架，并且我们的实验基于流行的 Mixmatch semi-SL 框架。我们在两个数字病理学数据集（Kather 结直肠组织学数据集和源自 TCGA-BRCA 全切片图像的数据集）上进行了广泛的研究，并通过各种实验与 semi-SL 算法中流行的方法和框架进行比较，确立了我们方法的有效性。
引用
@article{arxiv.2303.09930,
title = {Robust Semi-Supervised Learning for Histopathology Images through Self-Supervision Guided Out-of-Distribution Scoring},
author = {Nikhil Cherian Kurian and Varsha S and Abhijit Patil and Shashikant Khade and Amit Sethi},
journal= {arXiv preprint arXiv:2303.09930},
year = {2023}
}