基于多重注意力交叉蒸馏的半监督病理图像分割
计算机视觉与模式识别
2023-05-31 v1
摘要
病理图像分割是准确癌症诊断的关键步骤。然而,为训练获取此类图像的密集标注费力且耗时。为解决该问题,半监督学习(SSL)有潜力降低标注成本,但其面临大量无标注训练图像的挑战。本文中,我们提出一种基于多重注意力交叉蒸馏(CDMA)的新型SSL方法,以有效利用无标注图像。首先,我们提出多注意力三分支网络(MTNet),其由编码器和三分支解码器组成,每分支采用不同注意力机制从不同方面校准特征以生成多样化输出。其次,我们引入三解码器分支间的交叉解码器知识蒸馏(CDKD),使它们相互学习软标签,以减轻训练中错误伪标签的负面影响。此外,对三分支平均预测应用不确定性最小化,进一步正则化无标注图像上的预测并鼓励分支间一致性。我们所提CDMA在公开DigestPath数据集上与八种最先进SSL方法比较,实验结果表明我们的方法在不同标注比例下均优于其他方法。代码可见于\href{https://github.com/HiLab-git/CDMA}{https://github.com/HiLab-git/CDMA.}
引用
@article{arxiv.2305.18830,
title = {Semi-supervised Pathological Image Segmentation via Cross Distillation of Multiple Attentions},
author = {Lanfeng Zhong and Xin Liao and Shaoting Zhang and Guotai Wang},
journal= {arXiv preprint arXiv:2305.18830},
year = {2023}
}
备注
Provisional Accepted by MICCAI 2023