探索对组织病理图像弱监督组织细分的无偏激活地图

科学领域:

• 计算病理学计算病理学
• 数字病理学数字病理学
• 医疗图像分析 医学图像分析

背景情况:

• 组织病理学中的组织细分对于癌症预后至关重要.
• 弱监督语义细分 (WSSS) 方法使用图像级标签进行像素级细分.
• 使用类激活地图 (CAM) 的现有 WSSS 方法由于分类模型偏差而存在对象覆盖率差.

研究的目的:

• 开发一种用于在组织病理图像中准确细分组织的新方法.
• 克服现有的WSSS方法的局限性,特别是对象覆盖范围较差.
• 改善对歧视性和非歧视性特征的利用,以加强细分.

主要方法:

• 提出了一个自我监督的任务,通过聚集空间特征和导出语义中心来生成无偏激活地图 (UAM).
• 开发了一个空间过机制,使用语义中心来放大类似的特征并抑制不相似的特征.
• 引入了降噪 (NR) 学习方法来训练细分网络,专注于可信的信号和减少错误的预测.

主要成果:

• 拟议的方法成功生成了包括整个对象的无偏激活地图 (UAM).
• 提取了高质量的伪标签,在对象边界的噪音最小.
• 在公开的基因病理学数据集上,与最先进的弱监督细分方法相比,表现出优异的性能.

结论:

• 这种新的方法有效地解决了WSSS中对象覆盖范围问题,用于组织病理学.
• 结合UAM和NR学习,为计算病理学提供了强大的解决方案.
• 这种方法具有显著的潜力,可以通过精确的图像细分来改善癌症患者的预后.