在细胞学图像中检测细胞水平的无部损伤通过弱监督的自我纠正

科学领域:

• 医疗成像医学成像
• 计算病理学计算病理学
• 在瘤学中使用人工智能

背景情况:

• 宫癌是全球女性的主要癌症.
• 早期发现宫病变对于预防病变的进展至关重要.
• 当前的深度学习方法在整个幻灯片图像 (WSI) 中与杂或不完整的注释作斗争.

研究的目的:

• 开发一个新的框架,以加强在实例级的宫病变检测.
• 解决标签噪声在弱监督多重实例学习 (MIL) 中所带来的挑战.
• 提高宫病变检测模型的稳定性和通用性.

主要方法:

• 拟议的自我纠正实例学习 (SCIL),一个基于实例的两阶段MIL框架.
• 实现了一个教师-学生架构,其自我纠正机制受到弱监督.
• 利用对比的动态权重和基于不确定性的自我校正来减轻噪音的伪标签.

主要成果:

• 在补丁和幻灯片层面上,SCIL显著改善了宫病变的检测.
• 该方法证明了增强的特征表示和稳定性.
• 有效地克服了宫细胞学数据集中不完美的注释所带来的限制.

结论:

• SCIL提供了一个强大的解决方案,用于用弱监督的MIL检测宫病变.
• 拟议的自我纠正机制有效地处理噪音标签.
• 通过自动化图像分析,SCIL有望改善早期宫癌诊断.