Superpixel Boundary Correction for Weakly-Supervised Semantic Segmentation on Histopathology Images

要約

深層学習の急速な進歩により、コンピューター病理学はがんの診断とサブタイピングにおいて大きな進歩を遂げました。
組織のセグメンテーションは中心的な課題であり、予後と治療の決定に不可欠です。
弱教師セマンティック セグメンテーション (WSSS) は、ピクセル レベルのラベルの代わりに画像レベルのラベルを使用することで、アノテーションの要件を軽減します。
ただし、クラス アクティベーション マップ (CAM) ベースの手法には、依然として空間解像度が低く、境界が不明瞭であるという問題があります。
これらの問題に対処するために、スーパーピクセル クラスタリングとフラッドフィルを使用して CAM 境界を調整するマルチレベル スーパーピクセル補正アルゴリズムを提案します。
実験結果は、私たちの方法がmIoU 71.08%の乳がんセグメンテーションデータセットで優れたパフォーマンスを達成し、腫瘍微小環境の境界描写を大幅に改善することを示しています。

要約(オリジナル)

With the rapid advancement of deep learning, computational pathology has made significant progress in cancer diagnosis and subtyping. Tissue segmentation is a core challenge, essential for prognosis and treatment decisions. Weakly supervised semantic segmentation (WSSS) reduces the annotation requirement by using image-level labels instead of pixel-level ones. However, Class Activation Map (CAM)-based methods still suffer from low spatial resolution and unclear boundaries. To address these issues, we propose a multi-level superpixel correction algorithm that refines CAM boundaries using superpixel clustering and floodfill. Experimental results show that our method achieves great performance on breast cancer segmentation dataset with mIoU of 71.08%, significantly improving tumor microenvironment boundary delineation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google