用于部分标签组织病理学图像分割的自相似学生模型
图像与视频处理
2020-07-21 v1 计算机视觉与模式识别
机器学习
摘要
在十亿像素全切片图像(WSI)中勾画癌变区域是数字病理学中一项关键的诊断流程。由于十亿像素WSI中巨大的搜索空间,该过程耗时,导致在模糊肿瘤病灶处存在遗漏和误判的可能。为此,开发自动化的癌变区域分割方法势在必行。我们将此问题建模为部分标签WSI问题,其中部分癌变区域可能被误分类为良性,反之亦然,从而产生带噪声标签的图像块。为从这些图像块中学习,我们提出自相似学生(Self-similarity Student),将教师-学生模型范式与相似性学习相结合。具体而言,对每个图像块,我们首先根据其空间距离采样其相似与不相似图像块。随后引入教师-学生模型,对学生模型权重和教师预测集成均采用指数移动平均。我们的学生模型接收图像块,而教师模型接收其所有对应的相似与不相似图像块,以学习对噪声标签图像块鲁棒的表示。在此相似性学习之后,我们的相似性集成将相似图像块的集成预测合并作为给定图像块的伪标签,以抵消其噪声标签。在CAMELYON16数据集上,我们的方法在各种噪声程度下大幅优于最先进的噪声感知学习方法5,优于有监督训练的基线10。此外,我们的方法在TVGH TURP数据集上以2的提升优于基线,展示了对更多临床组织病理学分割任务的泛化能力。
引用
@article{arxiv.2007.09610,
title = {Self-similarity Student for Partial Label Histopathology Image Segmentation},
author = {Hsien-Tzu Cheng and Chun-Fu Yeh and Po-Chen Kuo and Andy Wei and Keng-Chi Liu and Mong-Chi Ko and Kuan-Hua Chao and Yu-Ching Peng and Tyng-Luh Liu},
journal= {arXiv preprint arXiv:2007.09610},
year = {2020}
}
备注
ECCV 2020