无标签数据引导的半监督组织病理学图像分割
计算机视觉与模式识别
2020-12-18 v1
摘要
自动组织病理学图像分割对疾病分析至关重要。在完全监督设定下，有限的可用标签数据阻碍了训练模型的泛化能力。基于生成方法的半监督学习（SSL）已被证明在利用多样化图像特征方面是有效的。然而，尚未充分探索何种生成图像对模型训练更有用，以及如何使用这些图像。本文中，我们提出一种新的数据引导生成方法，通过利用无标签数据分布来进行组织病理学图像分割。首先，我们设计了一个图像生成模块。图像内容与风格被解耦并嵌入到利于聚类的空间中以利用其分布。通过采样并交叉组合内容与风格来合成新图像。其次，我们设计了一种有效的数据选择策略以审慎地采样生成图像：（1）为使生成的训练集更好地覆盖数据集，对原始训练集中代表性不足的簇给予更多覆盖；（2）为使训练过程更有效，我们识别并过采样数据中“困难样本”的图像，这些图像的标注训练数据可能稀缺。我们的方法在腺体与细胞核数据集上进行了评估。我们表明，在归纳与直推两种设定下，我们的SSL方法持续提升了常见分割模型的性能并达到了最先进（SOTA）结果。
引用
@article{arxiv.2012.09373,
title = {Unlabeled Data Guided Semi-supervised Histopathology Image Segmentation},
author = {Hongxiao Wang and Hao Zheng and Jianxu Chen and Lin Yang and Yizhe Zhang and Danny Z. Chen},
journal= {arXiv preprint arXiv:2012.09373},
year = {2020}
}
备注
Accepted paper for the 2020 IEEE International Conference on Bioinformatics and Biomedicine (BIBM)