基于噪声感知拓扑一致性的组织病理学图像半监督分割

在数字病理学中，分割腺体和细胞核等密集分布的对象对下游分析至关重要。由于详细的像素级标注非常耗时，我们需要能够从无标注图像中学习的半监督分割方法。现有的半监督方法往往容易出现拓扑错误，例如缺失或错误合并/分离的腺体或细胞核。为解决此问题，我们提出了 TopoSemiSeg，这是首个从无标注组织病理学图像中学习拓扑表示的半监督方法。主要挑战在于无标注图像；我们仅有携带噪声拓扑的预测结果。为此，我们引入了一种噪声感知拓扑一致性损失，以对齐教师模型与学生模型的表示。通过将预测的拓扑分解为信号拓扑与噪声拓扑，我们确保模型学习到真实的拓扑信号并对噪声具有鲁棒性。在公开组织病理学图像数据集上的大量实验表明了我们的方法的优越性，尤其是在拓扑感知的评估指标上。代码见 https://github.com/Melon-Xu/TopoSemiSeg。