点监督下的半监督细胞识别
计算机视觉与模式识别
2023-06-16 v1 人工智能
摘要
细胞识别是数字组织病理学图像分析中的一项基础任务。基于点的细胞识别（PCR）方法通常需要大量标注，成本高昂、耗时且费力。半监督学习（SSL）可提供一条捷径，以充分利用十亿像素全切片图像中的细胞信息而无需详尽标注。然而，关于半监督基于点的细胞识别（SSPCR）的研究仍很大程度上被忽视。以往的 SSPCR 工作都构建于基于密度图的 PCR 模型之上，其存在精度不理想、推理速度慢以及对超参数高度敏感的问题。为解决这些问题，近期提出了端到端的 PCR 模型。本文中，我们首次开发了适用于端到端 PCR 模型的 SSPCR 框架。总体上，我们使用当前模型为无标注图像生成伪标签，这些伪标签反过来用于监督模型训练。此外，我们引入协同教学（co-teaching）策略以克服自训练中普遍存在的确认偏差问题。我们还融入了一种分布对齐技术，为无标注数据生成高质量、无偏的伪标签。在四个涉及不同染色风格的组织病理学数据集上的实验结果展示了所提框架的有效性与通用性。代码见 \textcolor{magenta}{\url{https://github.com/windygooo/SSPCR}
引用
@article{arxiv.2306.08240,
title = {Semi-supervised Cell Recognition under Point Supervision},
author = {Zhongyi Shui and Yizhi Zhao and Sunyi Zheng and Yunlong Zhang and Honglin Li and Shichuan Zhang and Xiaoxuan Yu and Chenglu Zhu and Lin Yang},
journal= {arXiv preprint arXiv:2306.08240},
year = {2023}
}