用于高效半监督组织学图像分类的教师-学生链
计算机视觉与模式识别
2020-03-23 v2 机器学习
图像与视频处理
机器学习
摘要
深度学习在数字病理学领域展现出巨大潜力。自动化数字病理系统可作为第二阅片者、在大型筛查研究中执行初步分诊或辅助报告生成。然而，由于医学专家是稀缺资源，对大型组织学图像数据库进行详尽标注成本高昂。本文中，我们将 Yalniz 等人（2019）提出的半监督教师-学生知识蒸馏技术应用于结直肠癌预后特征量化的任务。我们通过将该方案扩展为学生链获得了精度提升：每个学生的预测用于训练下一个学生，即学生成为教师。使用链方法且仅用 0.5% 标注数据（其余 99.5% 为未标注池），我们达到了使用 100% 标注数据训练的精度。在更低标注数据比例下，也观察到类似的精度提升，即使从较差的初始标注训练集选择中也能部分恢复精度。总之，该方法在减轻标注负担、从而提升自动化数字病理系统可负担性方面前景良好。
引用
@article{arxiv.2003.08797,
title = {Teacher-Student chain for efficient semi-supervised histology image classification},
author = {Shayne Shaw and Maciej Pajak and Aneta Lisowska and Sotirios A Tsaftaris and Alison Q O'Neil},
journal= {arXiv preprint arXiv:2003.08797},
year = {2020}
}
备注
AI for Affordable Healthcare (AI4AH) workshop at ICLR 2020