弱监督多示例学习组织病理肿瘤分割
图像与视频处理
2021-05-12 v4 计算机视觉与模式识别
机器学习
摘要
组织病理图像分割是医学影像中一个具挑战性且重要的课题，在临床实践中有巨大潜在影响。当前最优方法依赖手工标注，这阻碍了临床转化，因为组织学在癌症表型间存在显著变异。本文中，我们提出一种用于全切片图像分割的弱监督框架，其依赖于大多数医疗系统中可用的标准临床标注。特别地，我们利用多示例学习方案来训练模型。所提框架已在来自癌症基因组图谱（The Cancer Genome Atlas）和 PatchCamelyon 数据集的多地点、多中心公开数据上进行了评估。与专家标注相比的 promising 结果表明了该方法的前景。包括 张生成的肿瘤图及数据处理的完整框架可在 https://github.com/marvinler/tcga_segmentation 获取。
引用
@article{arxiv.2004.05024,
title = {Weakly supervised multiple instance learning histopathological tumor segmentation},
author = {Marvin Lerousseau and Maria Vakalopoulou and Marion Classe and Julien Adam and Enzo Battistella and Alexandre Carré and Théo Estienne and Théophraste Henry and Eric Deutsch and Nikos Paragios},
journal= {arXiv preprint arXiv:2004.05024},
year = {2021}
}
备注
Accepted MICCAI 2020; added code + results url; 10 pages, 3 figures