[论文解读] Nuclei Segmentation with Point Annotations from Pathology Images via Self-Supervised Learning and Co-Training

Yi Lin, Zhiyong Qu+7 more|PubMed|Feb 16, 2022

AI in cancer detection参考文献 64被引用 4

一句话总结

该论文提出了一种弱监督核分割方法，仅通过点标注进行训练，利用沃罗诺伊图和k均值聚类生成粗粒度像素级标签，通过带有指数移动平均（EMA）伪标签的协同训练策略进行优化，并通过自监督的核感知色彩化方法增强特征学习。该方法在MoNuSeg和CPM数据集上达到最先进性能，以极低的标注成本媲美全监督方法。

ABSTRACT

Nuclei segmentation is a crucial task for whole slide image analysis in digital pathology. Generally, the segmentation performance of fully-supervised learning heavily depends on the amount and quality of the annotated data. However, it is time-consuming and expensive for professional pathologists to provide accurate pixel-level ground truth, while it is much easier to get coarse labels such as point annotations. In this paper, we propose a weakly-supervised learning method for nuclei segmentation that only requires point annotations for training. First, coarse pixel-level labels are derived from the point annotations based on the Voronoi diagram and the k-means clustering method to avoid overfitting. Second, a co-training strategy with an exponential moving average method is designed to refine the incomplete supervision of the coarse labels. Third, a self-supervised visual representation learning method is tailored for nuclei segmentation of pathology images that transforms the hematoxylin component images into the H&E stained images to gain better understanding of the relationship between the nuclei and cytoplasm. We comprehensively evaluate the proposed method using two public datasets. Both visual and quantitative results demonstrate the superiority of our method to the state-of-the-art methods, and its competitive performance compared to the fully-supervised methods. Codes are available at https://github.com/hust-linyi/SC-Net.

研究动机与目标

• 通过仅利用点标注来解决数字病理学中像素级核分割的高标注成本问题。
• 在保持高分割精度的同时，减少对昂贵且耗时的像素级标注的依赖。
• 开发一种鲁棒的端到端框架，有效利用稀疏点标签提供的弱监督信号。
• 通过整合针对H&E染色病理图像定制的自监督表征学习，提升泛化能力和边界分割精度。
• 实现高效、可扩展的训练，避免多阶段调度或迭代优化中累积的误差。

提出的方法

• 利用沃罗诺伊图和k均值聚类从点标注生成粗粒度像素级标签，以保持空间结构并避免过拟合。
• 采用双网络协同训练策略，两个相同的分割网络通过指数移动平均（EMA）机制迭代优化彼此的伪标签，以稳定预测结果。
• 引入自监督学习模块，将H分量图像转换为H&E染色图像，利用核染色的生物先验信息提升特征表示能力。
• 分割网络与色彩化网络以端到端方式联合训练，色彩化任务为分割网络提供指导并进行验证。
• 累积学习将所有组件整合为单阶段训练流程，避免人工调度，降低训练复杂度。
• 方法采用基于EMA的伪标签机制，减少自欺骗现象，提升伪标签的鲁棒性。

实验结果

研究问题

• RQ1 仅使用点标注是否能显著提升核分割性能，而无需像素级真实标签？
• RQ2 如何有效优化从点标注生成的粗粒度标签，以减少误差和遗漏区域？
• RQ3 基于EMA的协同训练是否能优于现有的多阶段或约束型优化策略？
• RQ4 针对H&E染色定制的自监督色彩化在多大程度上提升了分割的泛化能力？
• RQ5 所提方法是否能在大幅降低标注成本的同时，实现与全监督模型相当的性能？

主要发现

• 所提方法在MoNuSeg和CPM数据集上达到最先进性能，优于现有弱监督与全监督方法。
• 定量结果表明，该方法在MoNuSeg数据集上Dice分数达到0.898，在CPM数据集上达到0.872，超越先前最先进弱监督方法。
• 消融实验证实，协同训练（含EMA）、自监督色彩化以及粗粒度标签生成等各组件均对性能提升有显著贡献。
• 该方法对点标注中的扰动表现出鲁棒性，表明其在半自动或初级病理科医生辅助标注中的实际应用潜力。
• 端到端的单阶段训练流程消除了多阶段调度需求，降低了误差累积风险。
• 可视化结果表明，与基线方法相比，该方法能生成更准确、更完整的核边界，尤其在重叠和接触核区域表现更优。