基于对比变分模型利用点标注对组织病理学图像进行弱监督分割

图像分割是成像与视觉领域的一项基础任务。当有充足的带标注标签的训练数据时，用于分割的监督式深度学习取得了无与伦比的成功。然而，已知标注获取成本高昂，尤其是对于目标区域通常具有高度形态变异和不规则形状的组织病理学图像。因此，利用稀疏点标注的弱监督学习有望减少标注工作量。在这项工作中，我们提出了一种基于对比的变分模型来生成分割结果，其作为可靠的互补监督用于训练组织病理学图像的深度分割模型。所提方法考虑了组织病理学图像中目标区域的共同特征，并可以端到端方式训练。它能生成区域性更一致且边界更平滑的分割，并对未标注的“新颖”区域更鲁棒。在两个不同组织学数据集上的实验证明了其与先前模型相比的有效性和高效性。