SmartHisto：基于贝叶斯主动学习的组织学图像分割框架

《PLOS Computational Biology》：SmartHisto: Bayesian active learning for histology images

　　

生物图像的准确高效表征对于推进系统生物学和医学研究至关重要。近年来，深度学习与图像处理的进展使得神经网络模型能够利用大规模专家标注数据集快速加速图像分析。然而，在组织病理学中，全切片图像的尺寸使得专家标注成本高昂，限制了足够大规模标注数据集的获取，并对开发自动化、AI驱动的图像分析流程构成重大挑战。为解决这一限制，研究人员提出了一种新颖的基于主动学习的框架，以交互式地训练图像分割模型。该方法采用贝叶斯神经网络（Bayesian Neural Network, BNN）来识别未标记图像中的信息区域，而非整幅图像，从而使专家标注更具成本效益。研究在多个固定放大倍数下具有可变染色的基准数据集上验证了该框架，显示出标注需求的大幅降低。值得注意的是，该方法实现了0.75的平均交并比（mean Intersection over Union, mIoU），显著优于平均为0.60的竞争方法。

论文解读：SmartHisto——基于贝叶斯主动学习的组织学图像分割方法

语义图像分割（semantic image segmentation）是对图像进行像素级分类的任务，近年来在自动驾驶、智能医学、工业检测等领域取得了显著成功。然而，在组织病理学中，该技术的应用仍然受限。组织病理学是通过显微镜检查组织样本来研究疾病机制的关键学科，但组织学评估需要多年的专业训练和昂贵设备，导致大量归档标本未被充分利用。随着深度学习的发展，图像分析越来越依赖大规模专家标注数据集，而全切片图像（whole-slide images, WSIs）的尺寸使得专家标注极其昂贵，严重制约了自动化、AI驱动的病理图像分析流程的开发。主动学习（Active Learning, AL）通过从无标注数据池中选取信息量最大的样本交由专家标注，旨在用最少样本训练出鲁棒模型。然而，主动学习在图像分割任务中面临两大挑战：一是样本选择，二是不确定性量化。图像中单个像素可能携带不同程度的不确定性，仅有少数高不确定性像素的图像会干扰样本排序，导致模型偏差。此外，经典点估计模型无法区分由数据生成过程中的固有噪声引起的偶然不确定性（aleatoric uncertainty）和由模型知识不足引起的认识不确定性（epistemic uncertainty）。为解决这些问题，研究人员提出了SmartHisto，一种专为组织学全切片图像语义分割设计的样本选择启发式方法。

研究人员采用贝叶斯神经网络（Bayesian Neural Network, BNN）替代点估计模型，以改进不确定性量化并识别图像中的关键结构。SmartHisto能够区分偶然不确定性与认识不确定性，并利用超像素（superpixel）技术将像素聚类，基于一种新的散度不确定性度量对超像素进行排序，从而优化样本选择，简化标注过程。研究在公开的GlaS数据集、自建的肺组织病理数据集以及TIGER ROI数据集上进行了验证，结果表明SmartHisto在减少训练样本的同时，训练出的模型优于传统采样方法。与当前最先进的主动学习分割模型如QBC和DEAL相比，SmartHisto在保持内存效率的同时取得了更优的性能。

该研究采用的主要关键技术方法如下：SmartHisto基于UNet架构，将网络权重从固定值替换为从高斯分布中采样的参数，通过Bayes by Backprop进行训练，并使用Dice Binary Cross Entropy（DiceBCE）与Kullback-Leibler散度（KL散度）相结合的损失函数。在不确定性估计方面，研究将预测方差分解为偶然不确定性和认识不确定性，并利用SLIC算法生成超像素，计算每个超像素内的平均预测散度作为选择依据。样本队列来源包括：公开的GlaS数据集（包含167张H&E染色结肠腺癌图像）、自建的猪肺组织病理数据集（来自美国国家动物疾病中心（NADC）饲养的临床健康阴性对照猪，共235张训练图像与129张测试图像）以及公开的TIGER ROI数据集（包含153张乳腺癌组织感兴趣区域图像）。

在结果部分，研究设置了多个实验。首先是在GlaS数据集上的表现：与基准采样方法相比，SmartHisto训练的模型从第五个主动周期开始即优于其他方法，最终达到0.75的平均交并比（mean Intersection over Union, mIoU）。不确定性图显示，模型对腺体外部边界预测具有高置信度，而对内部变异区域则标记为高不确定性，体现了模型识别可变模式的能力。其次是在肺组织病理数据集上的表现：SmartHisto同样优于所有基准方法，从训练曲线可见其收敛速度更快，最终达到更高的mIoU。不确定性图显示，每个类别边界处的不确定性较高，这与人类标注者标注变异性一致。第三是在TIGER ROI数据集上的表现：该数据集包含六类组织，且类别严重不平衡。SmartHisto最终取得0.4181的峰值mIoU，优于随机采样（0.3964）和QBC（0.3859）等方法。在标注效率分析中，SmartHisto达到目标mIoU（0.38）仅需标注53张ROI切片，而随机采样需要60张，熵采样需要65张，其他方法如MAR和DEAL则在预算内无法达到该目标。最后是消融研究：通过调节KL散度权重、偶然不确定性权重以及散度项，研究人员发现各组件对整体性能均有贡献，且当所有组件联合使用时性能最佳。

在讨论部分，研究人员指出，SmartHisto通过像素级不确定性估计显著减少了标注负担，与仅能提供整图级不确定性的方法（如Deep ensembles）相比，具有明显优势。在肺数据集上，SmartHisto利用约50%的标注数据即可达到竞争性能，标注需求降低约50%；在GlaS数据集上，使用约80%的标注数据达到竞争性能，标注需求降低约20%。该方法可扩展至实例分割、目标定位和姿态估计等计算机视觉任务。当前研究的局限包括：分割类别互斥、图像放大倍数固定、仅使用H&E染色。未来工作将探索层次化损失函数、可变放大倍数以及多染色方案。研究结论为：尽管存在当前局限，SmartHisto仍能以大幅缩减的标注数据集实现具有竞争力的性能，显著减轻领域专家的标注负担。