通过分解实现分割：基于分解基础模型特征的无监督病理语义分割
计算机视觉与模式识别
2024-09-10 v1 机器学习
摘要
我们引入了通过分解实现分割（F-SEG），这是一种针对病理学的无监督分割方法，可从预训练深度学习模型生成分割掩码。F-SEG 允许使用预训练深度神经网络（包括最近开发的病理学基础模型）进行语义分割。它通过将模型提取的空间特征分解为分割掩码及其关联的概念特征，实现了这一点，而无需额外的训练或微调。我们通过在 The Cancer Genome Atlas Program (TCGA) 上从多个深度学习模型提取的特征上训练不同聚类数目的聚类模型，为 H&E 图像创建了通用的组织表型，然后展示了如何利用现成的深度学习模型使用这些聚类来分解相应的分割掩码。我们的结果表明，F-SEG 为 H&E 病理图像提供了稳健的无监督分割能力，并且通过利用病理学基础模型，分割质量得到了极大提升。我们讨论并提出了评估病理学中无监督分割性能的方法。
引用
@article{arxiv.2409.05697,
title = {Segmentation by Factorization: Unsupervised Semantic Segmentation for Pathology by Factorizing Foundation Model Features},
author = {Jacob Gildenblat and Ofir Hadar},
journal= {arXiv preprint arXiv:2409.05697},
year = {2024}
}