Nov, 2023
TopoSemiSeg: 强制拓扑一致性，用于组织病理学图像的半监督分割
TopoSemiSeg: Enforcing Topological Consistency for Semi-Supervised Segmentation of Histopathology Images
Meilong Xu, Xiaoling Hu, Saumya Gupta, Shahira Abousamra, Chao Chen
TL;DR在计算病理学中，为了后续分析，对于诸如腺体和细胞核这样密集分布的对象进行分割至关重要。为了减轻像素级注释的负担，半监督学习方法从大量无标签数据中学习。然而，现有的半监督方法忽视了无标签图像中隐藏的拓扑信息，因此容易出现拓扑错误，如腺体或细胞核的丢失或错误合并 / 分离。为了解决这个问题，我们提出了 TopoSemiSeg 方法，这是一种从无标签数据中学习拓扑表示的第一种半监督方法。特别是，我们提出了一种拓扑感知的师生方法，其中师生网络学习共享的拓扑表示。为了实现这一点，我们引入了拓扑一致性损失，其中包含信号一致性和噪声去除损失，以确保学到的表示是稳健的并且专注于真正的拓扑信号。在公共病理图像数据集上进行了大量实验证明了我们方法的优越性，尤其在拓扑评估指标上。代码可在 https URL 上获得。