弱监督对比自训练组织学图像语义分割研究

【编辑推荐】针对组学图像中肿瘤区域与背景纹理相似度高、全局标签缺乏像素级细节的挑战，本研究团队创新性地融合对比学习与多轮自训练策略，提出基于弱监督语义分割（WSSS）的组学图像分析方法。通过改进类激活映射（CAM）生成伪标签，并引入像素级对比损失函数，在公开基准数据集GlaS上实现85.99%的PxAP指标，较传统弱监督方法提升4.3%，接近全监督模型性能（差异<1.3%）。该成果为病理医生提供高效辅助工具，推动自动化组学分析系统发展。

　　

弱监督对比自训练组织学图像语义分割研究

在精准医学快速发展的背景下，组织学图像（histology images）作为癌症诊断的金标准，其智能化分析需求日益迫切。然而，传统人工分析面临两大瓶颈：一是全切片图像（WSI）尺寸巨大（可达25mm宽），微观转移灶最小仅50μm，肉眼识别易疲劳；二是高质量像素级标注耗时费力，临床实践中通常仅有全局类别标签可用。针对这一矛盾，本文提出一种创新的弱监督语义分割（WSSS）框架，通过结合对比学习与自训练策略，显著提升组学图像中感兴趣区域（ROI）的定位精度。

研究团队采用预训练分类模型的梯度类激活映射（Grad-CAM）生成初始伪掩膜，但发现传统CAM存在过度聚焦判别性区域、阈值敏感等问题。为此，设计包含编码器-解码器的专用网络结构，通过像素级对比损失函数增强前景与背景特征的区分度。具体而言，该方法在对比学习中引入噪声鲁棒性设计，结合多轮离线自训练策略迭代优化伪标签，形成闭环优化机制。

实验结果表明，改进后的CAM有效扩大了目标区域覆盖范围，对比损失使特征区分度提升37%，自训练策略使分割精度逐轮提高1.2%-2.5%。在GlaS结肠癌数据集上的验证显示，提出的方法将PxAP（Pixel-wise Average Precision）从基准的73.95%提升至85.99%，超越现有弱监督方法近4.3%。当仅使用10%真实掩膜进行混合监督训练时，性能达到全监督模型的98.7%，证明其在临床资源受限场景的强适应性。

该研究创新性体现在三个方面：首先，通过对比学习增强特征判别能力，缓解CAM的局部激活偏差；其次，设计多阶段自训练框架，实现伪标签的动态优化；最后，验证混合监督策略在组学图像分析中的可行性。这些成果不仅为病理医生提供高效辅助工具，更为开发全自动组学分析系统奠定技术基础，具有重要临床转化价值。