基于Shuffle的反馈学习语义分割路径学图像
计算机视觉与模式识别
2026-05-07 v2 人工智能
摘要
语义分割是计算病理学中的关键任务，因为它识别受疾病或异常生长影响的区域，对诊断和治疗至关重要。然而，获取高质量的像素级监督分割数据需要经验丰富的病理学家付出大量工作，限制了深度学习的实际应用。为克服这一挑战，放宽标签条件以使用图像级分类标签可使更多数据得以利用并拓展应用场景。一种方法是利用Class Activation Map(CAM)为仅含图像级标签的语义分割生成伪像素级注释。然而，该方法未能充分探索病理图像的本质特征，从而仅识别小面积，不足以进行伪掩码。本文提出一种受课程学习启发的基于Shuffle的反馈学习方法，以生成更高质量的伪语义分割掩码。具体而言，我们对病理图像进行分块级Shuffle，模型根据前一轮学习的反馈自适应调整Shuffle策略。实验结果表明，我们提出的方法在三个不同数据集上超越了当前最先进的技术。
引用
@article{arxiv.2604.15777,
title = {SegMix:Shuffle-based Feedback Learning for Semantic Segmentation of Pathology Images},
author = {Zhiling Yan and Sicheng Chen and Tianyi Zhang and Nan Ying and Yanli Lei and Guanglei Zhang},
journal= {arXiv preprint arXiv:2604.15777},
year = {2026}
}