TGAP-Net:双图注意力伪标签生成用于弱监督的语义细分.

科学领域:

• 计算病理学计算病理学
• 医疗图像分析 医疗图像分析
• 医学中的人工智能

背景情况:

• 多标签病理组织细分对于计算病理学至关重要.
• 现有的监督较弱的模型在非主导样本和信号聚合方面扎.
• 图表注意力网络 (GAT) 和全球分类最大共享 (GCMP) 提供了潜在的解决方案.

研究的目的:

• 为了增强弱监督的多标签病理组织细分.
• 为了解决处理非主导样品和信号传输方面的局限性.
• 在病理图像分析中提高分类准确性.

主要方法:

• 集成图表注意力网络 (GAT) 模块用于上下文关系和伪标签生成.
• 开发一种新的全球分类最大集成 (GCMP) 聚合功能,用于有效的监控信号传输.
• 对LUAD-HistoSeg和乳腺癌语义细分 (BCSS) 数据集的评估.

主要成果:

• 在LUAD-HistoSeg中,非主导样本 (死和淋巴细胞) 的MIoU得分分别提高了3.3%和3%.
• 在LUAD-HistoSeg上获得了0.774的整体MIoU,比SOTA增加1.8%.
• 改善了BCSS中缩和淋巴细胞的MIoU分数,分别为5.7%和2%,达到0.721的整体MIoU (1.6%的SOTA增加).

结论:

• 拟议的GAT和GCMP方法有效地解决了监管薄弱的细分化的挑战.
• 观察到显著的性能增长,特别是对于非主导组织类型.
• 这项工作减少了手动注释工作量,并推进了计算病理学.
• 该方法在病理图像细分的最新性能方面取得了实质性的改进.