论文
ProBAG：用于弱监督组织病理学分割的原型引导边界感知图扩散
ProBAG: Prototype-Guided Boundary-Aware Graph Diffusion for Weakly Supervised Histopathology Segmentation
摘要
弱监督语义分割可以从图像级注释中进行组织病理学组织分割，从而避免专家病理学家进行昂贵的像素级标记。然而，基于 CAM 的方法通常仅定位具有高度辨别力的区域，并且在组织界面附近仍然不可靠。我们提出了 ProBAG，一种第一阶段的伪掩模生成器，它将数据集特定的视觉原型与多尺度冻结 UNI 特征上的病理对齐 CONCH 文本原型结合起来。 ProBAG 引入了两种互补机制：类功率重新校准，重塑类间竞争，同时保留每个像素的总前景激活质量，以及一步图扩散，其中特征亲和力受到用作软结构边界线索的后期 Transformer 注意力上下文差异的惩罚。由此产生的第一阶段伪掩模既不需要条件随机场也不需要外部分割模型；为了进行完整的两阶段比较，他们还监控下游的 Phikon-FPN 分段器。 BCSS-WSSS 和 LUAD-HistoSeg 的实验显示出与最近的 WSSS 方法相比一致的增益，而消融表明病理对齐的文本语义提供了最大的改进，而图形细化提供了较小的补充增益。代码位于：https://github.com/wterrr/WSSS