CAMEL: AWeakly Supervised Learning Framework for Histopathology Image Segmentation

基于弱监督学习的组织病理图像分割

摘要

全监督的分割算法需要消耗大量的时间和劳动力，这篇文章中的 CAMEL 只需要用图像级的标签就能进行组织病理学图像分割，他采用了基于多示例学习的标签扩充方法，CAMEL 将图像分成很多个小块，然后生成示例级的标签，在标签扩充之后，示例级的标签分配给对应的像素，产生近似的像素级标签。

在 CAMELYON 16 和一个结肠癌数据集上同时进行了示例级的分类和像素级的分割。这种自动标记的方法可能对未来的弱监督组织病理学图像分析有帮助。

介绍

有监督的方法需要很多像素级别的标签，而像素级别的标签非常耗时耗人力，为了缓解对这些细粒度标签的需求，出现了很多弱监督的学习算法，它们只需要粗粒度的标签，但是缺乏足够的监督信息，准确度一般比有监督的方式低很多。

一种方式是增加更多的监督约束，自然图像中人工添加边界框和涂鸦信息，CDWS-MIL^[1] 中体现了人工限制区域的优势，但是人工添加约束需要病理学家参与，只有病理学家才能正常区分癌变区域和正常区域。因此自动标签扩充比人工添加约束更适合弱监督学习。

CAMEL 包含两个步骤，一是标签扩充，二是分割

CAMEL 将图像分成很多个示例，在标签扩充步骤中自动生成示例级的标签，可以看作是弱监督的分类问题，在标签扩充步骤中，采用多示例学习方法从原始图像构造具有示例级标签的数据集，然后用示例级标签的数据集训练一个全监督分类模型。

在标签扩充之后，示例级的标签直接分配给对应的像素，产生近似的像素级的标签。