波感知弱监督的组织病理组织细分与交叉尺度逻辑蒸
IEEE transactions on medical imaging
|November 25, 2025
概括
这项研究引入了一种新的弱监督语义细分框架,以改善组织病理组织细分. 该方法提高了伪面具质量,减少了噪音,在多个数据集上取得了最先进的结果.
科学领域:
- 计算病理学计算病理学
- 医疗图像分析 医疗图像分析
- 机器学习 机器学习
背景情况:
- 弱监督学习 (WSL) 降低了在组织病理组织细分中的注释成本.
- 目前的WSL方法与不准确的类激活地图 (CAM) 和杂的伪面具作斗争.
研究的目的:
- 提出一种新的弱监督语义细分 (WSSS) 框架,以解决组织病理组织细分的局限性.
- 提高伪面具的质量和细分模型的稳定性.
主要方法:
- 引入了局部空间相关扰动,以增强弱监控信号和CAM强度.
- 开发了波感动特征聚合,用于自适应特征增强和细粒度伪面具.
- 在细分模型中用于噪声抑制的交叉尺度Logits蒸.
主要成果:
- 在五个组织病理组织细分数据集上实现了新的最先进的细分性能.
- 证明了对噪音较大地区的强度提高,并加强了对弱监控信号的利用.
- 生成精细粒度的伪面具,以积极的语义信息进行丰富.
结论:
- 拟议的WSSS框架有效地提高了组织病理组织细分的准确性.
- 这些新的方法解决了WSL在医学成像中的关键挑战.
- 介绍了胃癌研究的GCSS-WSSS数据集,以促进计算病理学的进步.


