基于 Transformer 的多示例学习用于弱监督组织病理学图像分割
计算机视觉与模式识别
2022-05-19 v1
摘要
组织病理学图像分割算法在计算机辅助诊断技术中起着关键作用。弱监督分割算法的发展缓解了医学图像标注耗时费力的问题。作为弱监督学习的一个子集，多示例学习（MIL）已被证明在分割中是有效的。然而，MIL 中实例之间缺乏相关信息，这限制了分割性能的进一步提升。在本文中，我们提出了一种用于组织病理学图像像素级分割的新型弱监督方法，该方法将 Transformer 引入 MIL 框架以捕获全局或长程依赖关系。Transformer 中的多头自注意力建立了实例之间的关系，解决了 MIL 中实例彼此独立的缺陷。此外，引入深度监督以克服弱监督方法中标注的局限性，并更好地利用层次信息。在结肠癌数据集上取得的 SOTA 结果证明了所提方法相对于其他弱监督方法的优越性。值得相信我们的方法在医学图像的各种应用中具有潜力。
引用
@article{arxiv.2205.08878,
title = {Transformer based multiple instance learning for weakly supervised histopathology image segmentation},
author = {Ziniu Qian and Kailu Li and Maode Lai and Eric I-Chao Chang and Bingzheng Wei and Yubo Fan and Yan Xu},
journal= {arXiv preprint arXiv:2205.08878},
year = {2022}
}
备注
Provisional accepted for MICCAI 2022