补丁相关性估计和多标签增强用于弱监督的组织病理学图像分类

科学领域:

• 数字病理学数字病理学
• 机器学习 机器学习
• 计算生物学 计算生物学

背景情况:

• 弱监督学习 (WSL) 对于基因病理图像分析至关重要,使用图像级诊断作为固定大小补丁的弱标签.
• 由于在单一图像中存在共存的诊断类别,在组织病理学中进行多类分类是具有挑战性的,导致标签不确定性.

研究的目的:

• 为了解决标签不确定性在多类 histopathological图像分析使用弱监督学习.
• 开发一种改进的基于补丁的WSL方法,用于精确分类复杂的组织病理图像.

主要方法:

• 一个双分支架构,估计补丁级类概率和相关性权重.
• 一个互补的培训策略,将图像级预测的输出结合起来.
• 一个多标签增强策略,从图像对中创建新的训练样本,以丰富数据集.

主要成果:

• 拟议的方法在多类乳腺组织病理学数据集上优于传统的弱监督方法.
• 在分类准确性和稳定性方面取得了明显的改进,特别是在代表性不足的诊断类别中.
• 有效建模图像级标签和补丁级内容之间的关系.

结论:

• 新的架构和多标签增强有效地改善了在基因病理学中标签不确定性下的学习.
• 该方法在复杂的多类场景中提高了诊断准确性和稳定性.
• 在数字病理学中开发更准确,更可扩展的诊断支持系统的潜力.