WSSS-CRAM:通过类区域激活映射精确细分组织病理图像

科学领域:

• 数字病理学数字病理学
• 医疗图像分析 医学图像分析
• 计算机视觉 计算机视觉 计算机视觉

背景情况:

• 组织病理图像分析至关重要,但通常需要手动功能设计或广泛的标记数据来进行深度学习.
• 目前用于组织病理图像分析的深度学习方法需要大量的标记数据,这限制了它们的实际应用.

研究的目的:

• 开发一个弱监督的语义细分 (WSSS) 方法,用于他的病理图像.
• 为了从有限的图像级标签中实现精确的像素级注释生成.
• 创建一个端到端可训练的框架,用于自动基因病理图像分析.

主要方法:

• 引入了WSSS-CRAM,一种新的弱监督的语义细分框架.
• 利用歧视激活策略,从类标签中生成特定类别的激活地图.
• 采用条件随机字段用于后处理激活地图,将其转化为可靠的伪基底真实标签.
• 将综合伪标签获取和细分模型培训整合到一个端到端的联合培训过程中.

主要成果:

• 在WSSS-CRAM框架成功地预测像素级标签只使用图像级注释.
• 在定量评估和可视化结果方面表现出强的表现.
• 该方法即使在没有任何初始图像级注释的情况下在图像上测试时也表现良好.

结论:

• WSSS-CRAM有效地从粗略的图像级注释中生成详细的像素级标签.
• 拟议的端到端框架提供了一种可行的解决方案,用于减少注释负担的自动基因病理图像分析.
• 未来的工作重点是验证跨多种病理数据集和组织图像类型的概括能力.