全局感知与稀疏特征关联图像级弱监督病理图像分割

来源：电子与信息学报杂志2024年第9期北京时间：

作者：张印辉, 张金凯, 何自芬, 刘珈岑, 吴琳, 李振辉, 陈光晨

单位：1.昆明理工大学机电工程学院 昆明 6505002.云南省肿瘤医院病理科 昆明 6501063.云南省肿瘤医院放射科 昆明 650106

摘要：弱监督语义分割方法可以节省大量的人工标注成本，在病理全切片图像(WSI)的分析中有着广泛应用。针对弱监督多实例学习(MIL)方法在病理图像分析中存在的像素实例相互独立缺乏依赖关系，分割结果局部不一致和图像级标签监督信息不充分的问题，该文提出一种全局感知与稀疏特征关联图像级弱监督的端到端多实例学习方法(DASMob-MIL)。首先，为克服像素实例之间的独立性，使用局部感知网络提取特征以建立局部像素依赖，并级联交叉注意力模块构建全局信息感知分支(GIPB)以建立全局像素依赖关系。其次，引入像素自适应细化模块(PAR)，通过多尺度邻域局部稀疏特征之间的相似性构建亲和核，解决了弱监督语义分割结果局部不一致的问题。最后，设计深度关联监督模块(DAS)，通过对多阶段特征图生成的分割图进行加权融合，并使用权重因子关联损失函数以优化训练过程，以降低弱监督图像级标签监督信息不充分的影响。DASMob-MIL模型在自建的结直肠癌数据集YN-CRC和公共弱监督组织病理学图像数据集LUAD-HistoSeg-BC上与其他模型相比展示出了先进的分割性能，模型权重仅为14 MB，在YN-CRC数据集上F1 Score达到了89.5%，比先进的多层伪监督(MLPS)模型提高了3%。实验结果表明，DASMob-MIL仅使用图像级标签实现了像素级的分割，有效改善了弱监督组织病理学图像的分割性能。

关键词：弱监督语义分割, 组织病理学图像, 多实例学习, 全局感知, 稀疏特征

基金资助：国家自然科学基金(62061022, 62171206)