SegMix: シャッフルに基づくフィードバック学習による病理画像のセマンティックセグメンテーション

arXiv:2604.15777v1 Announce Type: new 抽象：セグメンテーションは、病的な領域や異常な増殖を特定する計算病理学の重要なタスクであり、診断と治療に不可欠です。しかし、高品質なピクセルレベルの教師付きセグメンテーションデータを取得するには、経験豊富な病理学家が著しい作業負荷を要求し、深層学習の応用を制限しています。この課題に対抗するため、画像レベルの分類ラベルを条件として緩和すれば、より多くのデータが利用可能になり、より多くのシナリオが有効になります。その一方の手法は、画像レベルのラベルのみでセマンティックセグメンテーションを生成するためにクラスアクティベーションマップ（CAM）を活用し、仮のピクセルレベルのアノテーションを生成するものです。しかし、この手法は病理画像の本質的な特徴を十分に探索できず、仮のマスク用には不十分であることがわかった小さな領域しか特定できないという弱点があります。本稿では、カリキュラム学習に着想を得た新しいシャッフルに基づくフィードバック学習手法を提案し、より高品質な仮のセマンティックセグメンテーションマスクを生成します。具体的には、病理画像を対象としてピッチレベルのシャッフルを行い、前回の学習からのフィードバックに基づいてモデルがシャッフル戦略を適応的に調整します。実験結果は、我々の提案手法が 3 つの異なるデータセットで最先进の手法を超えていることを示しています。

arXiv:2604.15777v1 Announce Type: new Abstract: Segmentation is a critical task in computational pathology, as it identifies areas affected by disease or abnormal growth and is essential for diagnosis and treatment. However, acquiring high-quality pixel-level supervised segmentation data requires significant workload demands from experienced pathologists, limiting the application of deep learning. To overcome this challenge, relaxing the label conditions to image-level classification labels allows for more data to be used and more scenarios to be enabled. One approach is to leverage Class Activation Map (CAM) to generate pseudo pixel-level annotations for semantic segmentation with only image-level labels. However, this method fails to thoroughly explore the essential characteristics of pathology images, thus identifying only small areas that are insufficient for pseudo masking. In this paper, we propose a novel shuffle-based feedback learning method inspired by curriculum learning to generate higher-quality pseudo-semantic segmentation masks. Specifically, we perform patch level shuffle of pathology images, with the model adaptively adjusting the shuffle strategy based on feedback from previous learning. Experimental results demonstrate that our proposed approach outperforms state-of-the-arts on three different datasets.