Weakly supervised segmentation with point annotations for histopathology images via contrast-based variational model

要約

タイトル: ヒストパスコロジー画像の点注釈による弱い教師ありセグメンテーションの対象領域に対するコントラストに基づく変分モデルによる手法

要約:

・画像セグメンテーションは、画像処理・ビジョン分野における基本的なタスクである。

・教師ありのディープラーニング手法は、訓練データがラベル付けされたものである場合には、前例のない成果を上げているが、ヒストパスコロジー画像のような形態学的変化が大きく、形状が不規則である場合には注釈付けは高価であるという問題がある。

・このため、点のような疎な注釈に基づく弱い教師あり学習が注目されている。

・本研究では、ヒストパスコロジー画像のディープセグメンテーションモデルを訓練するための信頼性のある補足的な手法となるセグメンテーション結果を生成するコントラストに基づく変分モデルを提案する。

・提案手法はヒストパスコロジー画像の対象領域の共通の特性を考慮しており、エンド-ト-エンドで訓練することができる。また、より一貫性のある領域と滑らかな境界のセグメンテーションを生成し、未ラベルの「新奇な」領域に対してもより堅牢である。

・2つの異なるヒストロジーデータセットでの実験により、従来の手法と比較して効果的であり、効率的であることが示された。

要約(オリジナル)

Image segmentation is a fundamental task in the field of imaging and vision. Supervised deep learning for segmentation has achieved unparalleled success when sufficient training data with annotated labels are available. However, annotation is known to be expensive to obtain, especially for histopathology images where the target regions are usually with high morphology variations and irregular shapes. Thus, weakly supervised learning with sparse annotations of points is promising to reduce the annotation workload. In this work, we propose a contrast-based variational model to generate segmentation results, which serve as reliable complementary supervision to train a deep segmentation model for histopathology images. The proposed method considers the common characteristics of target regions in histopathology images and can be trained in an end-to-end manner. It can generate more regionally consistent and smoother boundary segmentation, and is more robust to unlabeled `novel’ regions. Experiments on two different histology datasets demonstrate its effectiveness and efficiency in comparison to previous models.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI