前列腺癌中弱监督联合全切片分割与分类
图像与视频处理
2023-02-02 v1 计算机视觉与模式识别
摘要
对具有诊断意义组织学区域的分割与自动识别为病理医生提供了宝贵辅助。然而，分割方法受限于难以获取像素级标注，这类标注对于全切片图像(WSI)而言繁琐且昂贵。为此，已开发弱监督方法以利用图像层级直接可用的标注。然而据我们所知，这些技术均不适用于WSI。本文中，我们提出WholeSIGHT，一种弱监督方法，可同时分割并分类任意形状与大小的前列腺癌WSI。形式上，WholeSIGHT首先构建WSI的组织图表示，其中节点与边分别刻画组织区域及其相互作用。训练期间，图分类头对WSI分类并通过事后特征归因生成节点级伪标签。这些伪标签随后用于训练节点分类头以进行WSI分割。测试期间，两个头同时给出输入WSI的类别预测与分割。我们在三个公共前列腺癌WSI数据集上评估了WholeSIGHT。我们的方法在所有数据集上取得了最先进的弱监督分割性能，同时相对于最先进的弱监督WSI分类方法产生了更优或可比的分类结果。此外，我们从分割与分类性能、不确定性估计及模型校准方面量化了方法的泛化能力。
引用
@article{arxiv.2301.02933,
title = {Weakly Supervised Joint Whole-Slide Segmentation and Classification in Prostate Cancer},
author = {Pushpak Pati and Guillaume Jaume and Zeineb Ayadi and Kevin Thandiackal and Behzad Bozorgtabar and Maria Gabrani and Orcun Goksel},
journal= {arXiv preprint arXiv:2301.02933},
year = {2023}
}