UniSAL:统一的半监督主动学习,用于基因病学图像分类.
Lanfeng Zhong1, Kun Qian2, Xin Liao3
1School of Mechanical and Electrical Engineering, University of Electronic Science and Technology of China, Chengdu, 611731, China.
Medical image analysis
|March 18, 2025
概括
本研究介绍了一种统一的半监督主动学习框架 (UniSAL),以高效地选择有信息的基因病理图像进行注释. UniSAL显著降低了注释成本,同时实现了与癌症诊断中的全注释相当的性能.
科学领域:
- 计算病理学计算病理学
- 医学中的人工智能.
- 机器学习用于医学成像.
背景情况:
- 组织病理学图像分类对于癌症诊断至关重要.
- 深度学习模型需要大量的注释数据集,这些数据集的创建是昂贵和耗时的.
- 有限的标记数据阻碍了对病理学的有效深度神经网络的训练.
研究的目的:
- 开发一个高效的注释框架,统一的半监督主动学习 (UniSAL),以减少人类的努力.
- 为了提高样本选择的效率,用于在组织病理图像分类中的注释.
- 在癌症诊断方面实现高性能,并显著降低注释成本.
主要方法:
- 提出了一个统一的半监督主动学习 (UniSAL) 框架,用于选择信息和代表性样本.
- 引入了双视图高可靠性伪训练,使用标记和未标记的图像.
- 实现了以伪标签为指导的类智能对比学习,以增强特征表示.
- 设计了一个分歧感知不确定性选择器 (DUS) 和一个紧选择器 (CS) 用于样本选择.
主要成果:
- 在三个公开数据集 (CRC5000,Chaoyang,CRC100K) 上,UniSAL显著超过了最先进的积极学习方法.
- 该框架将注释成本降低到大约10%的水平.
- 通过缩小数据集,实现了与完整注释可比的性能.
结论:
- UniSAL提供了一种有效的解决方案,用于降低图像分类中的标注成本.
- 拟议的框架可以有效地培训用于癌症诊断的深度学习模型.
- 双视图伪训练和新型样本选择策略是UniSAL成功的关键.


