基于层次注意力融合和像素亲和度学习的弱监督腺体细分.

科学领域:

• 数字病理学数字病理学
• 医疗图像分析 医学图像分析
• 计算瘤学是一种计算瘤学.

背景情况:

• 在组织病理学中精确的腺体细分对于结直肠癌的诊断至关重要.
• 目前的方法需要劳动密集型的像素级注释.
• 弱监督的学习提供了一个更有效的替代方案.

研究的目的:

• 开发一个注释效率高,对腺体细分监督较弱的框架.
• 为了提高腺体细分在组织病理图像中的准确性和稳定性.
• 为了减少与创建详细注释相关的成本和时间.

主要方法:

• 提出了一个两阶段的弱监督细分框架:多层次的注意力和亲和力 (MAA).
• 使用具有多层次注意力融合 (MAF) 的图像级标签用于特征提取和初始地图.
• 使用Affinity Refinement (AR) 来通过建模像素间的语义一致性来完善伪标签.

主要成果:

• 在Glass数据集上,MAA框架实现了81.99%的欧盟交叉点 (IoU) 和90.10%的Dice系数.
• 在 IoU 中,超越了最先进的在线简单示例挖矿 (OEEM) 方法的 4.43% .
• 证明了有效的腺体细分,减少了注释工作.

结论:

• 整合层次关注和亲和感引导的精细化增强了注释效率高的腺体细分.
• 该MAA框架提供了一个强大的和准确的解决方案,用于他的病理图像分析.
• 这种方法在改善结肠直肠癌诊断方面具有显著的潜力.