自监督驱动的一致性训练用于标注高效的组织病理学图像分析
计算机视觉与模式识别
2021-11-03 v3
摘要
使用大型标注数据集训练神经网络在计算病理学中仍占主导地位。然而，获取如此详尽的手动标注通常成本高昂、费力，且容易出现观察者间和观察者内的差异。虽然近期的自监督和半监督方法可以通过学习无监督特征表示来缓解这一需求，但当标注样本数量较少时，它们仍难以很好地泛化到下游任务。在本工作中，我们基于两种新策略利用任务无关和任务特定的无标注数据来克服这一挑战：i) 一种自监督前置任务，利用组织学全切片图像中潜在的多分辨率上下文线索，为无监督表示学习学习强大的监督信号；ii) 一种新的师生半监督一致性范式，基于与任务特定无标注数据的预测一致性，学习将预训练表示有效迁移到下游任务。我们在三个组织病理学基准数据集上进行了大量验证实验，涵盖两个分类和一个基于回归的任务，即肿瘤转移检测、组织类型分类和肿瘤细胞密度量化。在有限标注数据下，所提方法取得了切实的改进，接近甚至优于其他最先进的自监督和监督基线。此外，我们经验性地表明，自举自监督预训练特征是提高标准基准上任务特定半监督学习的有效途径。代码和预训练模型将发布于：https://github.com/srinidhiPY/SSL_CR_Histo
引用
@article{arxiv.2102.03897,
title = {Self-supervised driven consistency training for annotation efficient histopathology image analysis},
author = {Chetan L. Srinidhi and Seung Wook Kim and Fu-Der Chen and Anne L. Martel},
journal= {arXiv preprint arXiv:2102.03897},
year = {2021}
}