MSRMMP:多尺度残余模块和多层伪监督用于低监督的组织病理图像细分

科学领域:

• 数字病理学数字病理学
• 计算生物学 计算生物学
• 医学图像分析 医学图像分析

背景情况:

• 对组织病理图像进行准确的语义细分对于癌症诊断至关重要.
• 完全监督的方法实现了高性能,但需要大量的手动注释.
• 弱监督的语义细分 (WSSS) 使用图像级标签来减少注释负担.

研究的目的:

• 开发一种新的双阶段弱监督细分框架 (MSRMMP) 用于组织病理图像.
• 解决现有的WSSS方法在捕获多目标信息和伪面具不准确性方面的局限性.
• 为了减少与手动图像注释相关的大量时间和成本.

主要方法:

• 提出了一个两阶段的框架:MSRMMP,涉及伪面具生成和多层伪监督.
• 使用多尺度残余网络 (MSR-Net) 与多尺度残余模块 (MSRM) 进行强大的特征提取和伪面具生成.
• 采用TransUNet作为细分的骨干,并纳入多层伪监督来完善细分的准确性.

主要成果:

• 拟议的MSRMMP方法在两个公开的基因病理学数据集上,与最先进的WSSS技术相比,表现优越.
• 与完全监管模型相比,在整个欧盟实现了更高的平均交叉点 (mIoU).
• 显示了与完全监督模型的频率加权交叉点在欧盟 (fwIoU) 中的可比结果.
• 与手动标签相比,注释时间从小时减少到分钟.

结论:

• 该MSRMMP框架有效地克服了传统WSSS方法的局限性,特别是在多目标细分方面.
• 显著减少了注释工作,使先进的图像分析更容易获得.
• 通过自动化组织病理图像细分,为准确和高效的癌症诊断提供了一种有前途的方法.