Author: Jun Zhang
期刊:MIA
背景
在数字病理中,组织区域分割是必不可少的,先前的研究通常需要全监督(例如像素级别的标注),然而这种标注是比较难得的。
相关贡献
这篇文章的主要贡献如下:
1.用了图像级别前景区域的标签作为弱标签。
2.用动态超像素操作连接FCN和GCN,使得用端到端的方式训练我们的FGNet成为可能。
3.用弱监督学习策略预热提出的FCN模型。最后结果可以与强监督模型相匹敌。
方法
大致流程:
输入图像经过FCN得到像素级别的特征。根据特征生成超像素,以超像素为节点,得到节点特征以及边,由像素级特征和超像素的直方图特征初始化边的权重矩阵,再经过图神经网络,得到超像素标签。
算法流程:
输入图像集合I,第s个图像Is的前景区域标注是Ps,不确定范围是rs,FCN由五个卷积层组成,每个卷积层后面是relu和batch normalization。前4个卷积层3*3,最后一个1*1。
通过FCN,Is被映射为fcn(Is,W1),它采用无监督学习策略预热FCN,对特征图设定了一个阈值,i j是输入图像的坐标,k是通道。FCN的损失函数是欧米伽1(W1)。
整体算法流程是:Is输入FCN得到Fs,由Fs经过SLIC超像素聚类算法得到Cs,其中A是随机的。然后由Fs和Cs的池化得到节点特征(公式3),把超像素作为节点进一步得到边,也就是邻接矩阵(公式4),通过Fs和Cs得到的直方图特征来初始化边的权重矩阵(公式5)。
它基于超像素中每一类别的出现频率。k是类别总数,xk是在第a个超像素中第k类出现的概率。然后进入到弱监督分类模型利用GCN,得到所有节点的标签概率,为了计算损失。他们提出使用一个不确定范围约束来识别Ls中的确定性节点。