面向标签高效的自动诊断与分析：组织病理图像分析中基于深度学习的弱监督、半监督与自监督先进技术综述
计算机视觉与模式识别
2022-10-26 v2
摘要
组织病理图像包含丰富的表型信息和病理模式，是疾病诊断的黄金标准，并对患者预后和治疗结果的预测至关重要。近年来，临床实践迫切需求计算机自动分析组织病理图像的技术，以卷积神经网络为代表的深度学习方法已逐渐成为数字病理领域的主流。然而，该领域获取大量细粒度标注数据是一项极为昂贵且困难的任务，阻碍了基于大量标注数据的传统监督算法的进一步发展。近期研究开始摆脱传统监督范式，最具代表性的是基于弱标注的弱监督学习范式、基于有限标注的半监督学习范式，以及基于病理图像表示学习的自监督学习范式。这些新方法引领了面向标注效率的自动病理图像诊断与分析新浪潮。通过综述逾130篇论文，我们从技术与方法两个视角对计算病理领域中弱监督学习、半监督学习和自监督学习的最新研究进行了全面系统的回顾。最后，我们给出了这些技术的关键挑战与未来趋势。
引用
@article{arxiv.2208.08789,
title = {Towards Label-efficient Automatic Diagnosis and Analysis: A Comprehensive Survey of Advanced Deep Learning-based Weakly-supervised, Semi-supervised and Self-supervised Techniques in Histopathological Image Analysis},
author = {Linhao Qu and Siyu Liu and Xiaoyu Liu and Manning Wang and Zhijian Song},
journal= {arXiv preprint arXiv:2208.08789},
year = {2022}
}
备注
Comprehensive survey for Weakly-supervised, Semi-supervised and Self-supervised Techniques in Histopathological Image Analysis (total of 212 references)