通过自我监督的学习和共同培训,通过病理图像的点注释对细胞核进行细分.

科学领域:

• 数字病理学数字病理学
• 计算机成像成像技术
• 机器学习用于医学图像分析.

背景情况:

• 精确的核细分对于数字病理学至关重要,但完全监督的方法需要广泛,昂贵的像素级注释.
• 病理学家发现,生成精确的基准真相数据是耗时且昂贵的.
• 点注释为培训细分模型提供了一个更容易获得的替代方案.

研究的目的:

• 开发用于核细分的弱监督学习方法,仅使用点注释.
• 在数字病理学中减少对耗时且昂贵的像素级注释的依赖.
• 提高整个幻灯片图像分析中核细分的效率和可访问性.

主要方法:

• 从点注释中生成粗的像素级标签,使用沃罗诺伊图和k-means集群.
• 采用指数移动平均线的联合培训策略来完善粗标签监督.
• 利用自我监督的视觉表现学习,通过将血素成分图像转换为H&E染色图像.

主要成果:

• 与现有最先进的方法相比,提出的方法在两个公共数据集上显示出更高的性能.
• 与完全监督的方法相比,实现了竞争性的细分精度.
• 视觉和定量评估证实了弱监督核细分的有效性.

结论:

• 开发的弱监督学习方法有效地使用点注释来对核心进行细分.
• 这种方法显著降低了数字病理学任务的注释负担.
• 该方法为完全监督的核细分提供了一个有希望的,具有成本效益的替代方案.