在不同的背景和特征扰乱中一致性规范化用于半监督的组织学图像语义细分的半监督语义细分

科学领域:

• 计算病理学计算病理学
• 数字病理学数字病理学
• 历史学图像分析 图像分析

背景情况:

• 组织学图像的语义细分对于计算病理学 (CPath) 是至关重要的.
• 深度学习 (DL) 方法在细分方面表现出色,但需要大量的像素智能注释数据集,这些数据集的获取成本昂贵且耗时.
• 现有的半监督学习 (SSL) 模型可能因上下文变化和特征干扰而难以泛化.

研究的目的:

• 开发一个强大的SSL方法用于组织学图像细分,利用未标记的数据.
• 在计算病理学中减轻对大型注释数据集的依赖.
• 提高细分模型的概括性和可靠性.

主要方法:

• 提出了一种基于一致性的SSL方法,在不同的环境和特征干扰的情况下强制执行一致性.
• 通过对比重叠的图像对,从不断变化的背景中整合上下文意识的一致性.
• 交叉一致性训练和最小化用于增强特征稳定性和预测信心.

主要成果:

• 拟议的SSL方法从标记和未标记的组织学图像中学习了强大的和不变的特征.
• 交叉一致性训练证明了对扰动的不变性,并提高了预测信心.
• 在BCSS和MoNuSeg数据集上的实验显示,与最先进的方法相比,性能优越.

结论:

• 开发的SSL方法有效地减少了在组织学图像细分中需要广泛的像素智能注释的需求.
• 该方法增强了模型的稳定性和通用性,从而提高了计算病理学任务的性能.
• 这项工作为高效准确的数字病理图像分析提供了有前途的方向.