S2L-CM:使用对比规范化和像素级多个实例学习,在组织病理学图像中进行草图监督的核细分

科学领域:

• 数字病理学数字病理学
• 计算生物学是一种计算生物学.
• 医疗图像分析 医疗图像分析

背景情况:

• 深度学习在病理核细分方面表现出色,但需要广泛的手动标签.
• 监督学习需要大量的精力来生成基本真相数据.
• 弱监督的学习提供了稀疏注释的解决方案,但通常会产生较低的绩效.

研究的目的:

• 提出S2L-CM,一个涂监督的核细分框架.
• 为了减少在核细分中手动使用地面真实标签的需求.
• 为了提高细分性能,使用精致的伪标签.

主要方法:

• 从稀疏的涂注释中利用自我生成的伪标签进行模型培训.
• 使用多尺度对比规范化用于伪标签改进.
• 采用像素级多实例学习来提高细分精度.

主要成果:

• 在四个核数据集中,S2L-CM证明了有效性和稳定性.
• 与最先进的技术相比,拟议的方法实现了具有竞争力的性能.
• 在不需要完整的基本真相标签的情况下实现了成功的核细分.

结论:

• 通过最大限度地减少手动注释工作,S2L-CM提供了一种高效的核细分方法.
• 该框架对数字病理学中的实际应用充满希望.
• 进一步的研究可以建立在这种方法上,用于高级弱监督的细分任务.