[论文解读] Weakly Supervised Clustering by Exploiting Unique Class Count

Mustafa Ümit Öner, Hwee Kuan Lee+1 more|arXiv (Cornell University)|Jun 18, 2019

Face and Expression Recognition参考文献 46被引用 8

一句话总结

本文提出了一种弱监督聚类框架，该框架基于一种新颖的多实例学习任务——唯一类别计数（UCC），即一个实例袋中不同类别的数量，以实现在无实例级别标签的情况下进行无监督聚类。通过袋级别UCC标签训练一个神经网络UCC分类器，其特征用于聚类；该方法在乳腺癌转移灶的语义分割中实现了与完全监督模型相当的性能。

ABSTRACT

A weakly supervised learning based clustering framework is proposed in this paper. As the core of this framework, we introduce a novel multiple instance learning task based on a bag level label called unique class count ($ucc$), which is the number of unique classes among all instances inside the bag. In this task, no annotations on individual instances inside the bag are needed during training of the models. We mathematically prove that with a perfect $ucc$ classifier, perfect clustering of individual instances inside the bags is possible even when no annotations on individual instances are given during training. We have constructed a neural network based $ucc$ classifier and experimentally shown that the clustering performance of our framework with our weakly supervised $ucc$ classifier is comparable to that of fully supervised learning models where labels for all instances are known. Furthermore, we have tested the applicability of our framework to a real world task of semantic segmentation of breast cancer metastases in histological lymph node sections and shown that the performance of our weakly supervised framework is comparable to the performance of a fully supervised Unet model.

研究动机与目标

• 为解决医学图像分析中获取昂贵且全面的实例级别注释的挑战，特别是组织学淋巴结切片中乳腺癌转移灶检测的问题。
• 开发一种弱监督学习框架，仅使用袋级别标签（特别是每个袋中唯一类别的数量，即UCC）实现对单个实例的聚类。
• 证明UCC分类器能够隐式学习判别性特征，从而在无任何实例级别监督的情况下实现对实例的准确无监督聚类。
• 在真实世界的生物医学图像分割任务上验证该框架，表明其性能可近似于完全监督模型（如U-Net）的性能。

提出的方法

• 该框架引入了一项新的MIL任务，其中袋级别的标签为唯一类别计数（UCC），定义为袋中所有实例所包含的不同类别的数量。
• 基于神经网络的UCC分类器（UCC模型）在带有UCC标签的袋上进行训练，学习在无实例级别注释的情况下统计唯一类别数量。
• 训练好的UCC模型作为特征提取器，为每个袋中的单个实例生成嵌入表示。
• 随后对提取的特征应用无监督聚类（如k-means），以分配实例级别标签。
• 该方法在CAMELYON数据集上进行评估，以32×32的图像块作为实例，512×512的图像作为带有UCC标签（1或2）的袋。
• 性能与完全监督的U-Net模型及无监督的k-means基线模型在转移灶的语义分割任务上进行比较。

实验结果

研究问题

• RQ1 在仅使用袋级别唯一类别计数的标签进行训练的情况下，UCC分类器是否能够实现对单个实例的准确聚类，而无需任何实例级别注释？
• RQ2 基于UCC的弱监督聚类框架在医学图像分割中的性能是否可与完全监督学习模型相媲美？
• RQ3 UCC框架在真实病理图像中面对噪声或模糊的UCC标签时是否具有足够的鲁棒性？
• RQ4 即使在训练过程中未提供任何实例级别标签，UCC模型是否仍能学习到足够用于下游聚类的判别性特征？

主要发现

• 基于UCC的框架在测试集上实现了86.3%的像素准确率，显著优于无监督k-means基线（51.2%）。
• UCC模型实现了81.8%的真正例率（TPR）和14.9%的假正例率（FPR），与完全监督的U-Net模型的TPR（86.0%）和FPR（12.6%）非常接近。
• 该框架对噪声UCC标签表现出鲁棒性，例如在转移区域中混入少量正常细胞，或反之亦然。
• 数学分析证明，一个完美的UCC分类器能够实现对单个实例的完美聚类，从而验证了该方法的理论基础。
• 尽管仅使用UCC标签进行训练（在临床工作流程中成本更低、更可行），UCC模型的性能与完全监督的U-Net模型相当。