在数字病理学中利用细胞局部化的弱监督,使用多任务学习和一致性丧失

科学领域:

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

背景情况:

• 细胞检测和细分对于自动化数字病理学系统至关重要.
• 编码器-解码器网络是有效的,但需要广泛的边界注释.
• 对于特定任务,有限或较弱的注释,如单元数,通常是足够的.

研究的目的:

• 提出一种新的混合监督策略,用于培训数字病理学的多任务网络.
• 为了利用病理学家的"眼球" (视觉估计) 细胞计数作为辅助监督信号.
• 开发一个多任务网络,用于并发的细胞计数和本地化,增强的一致性损失.

主要方法:

• 实施了一种混合监督方法,其中包括眼球衍生细胞计数.
• 设计了一个多任务网络,同时进行细胞计数和定位.
• 引入了一种一致性损失,通过最小化任务之间的预测差异来规范训练.

主要成果:

• 在两个血素-素染色组织图像数据集上,证明了对弱注释 (眼球计数) 的有效利用.
• 在细胞计数和定位任务中实现了更好的性能,特别是当强大的注释很少时.
• 验证了将来自眼球的基本真相整合到网络培训中的可行性.

结论:

• 拟议的混合监督策略显著减少了对劳动密集型,精确的细胞边界注释的依赖.
• 整合眼球细胞计数为训练数字病理学模型提供了一种实用而有效的方法.
• 这种方法有望通过缓解注释要求来推进数字病理学的自动化分析.