基于多尺度投票与在线噪声抑制的弱监督组织病理学图像语义分割方法

为解决数字病理图像中像素级标注成本高昂的问题，研究人员提出一种仅需块级标签的弱监督语义分割（WSSS）方法。通过多尺度投票优化类激活图（CAM）生成伪掩膜，并采用在线噪声抑制策略（ONSS）提升分割精度。在LUAD-HistoSeg和BCSS-WSSS数据集上验证，该方法显著优于现有技术，为癌症微环境分析提供高效工具。

　　

在癌症诊断与预后研究中，组织病理学图像的精准分割是解析肿瘤微环境的关键步骤。然而，当前主流的全监督分割方法依赖大量像素级标注数据，而千兆像素级的全切片图像（WSI）标注需要病理学家耗费巨大精力。这种高成本标注模式严重制约了人工智能在病理学中的应用。如何通过弱监督学习降低标注需求，同时保持分割性能，成为亟待解决的难题。

针对这一挑战，广西自然基金等项目支持的研究团队在《Engineering Applications of Artificial Intelligence》发表创新成果。该研究提出两阶段框架：分类阶段采用渐进丢弃注意力（PDA）机制增强类激活图（CAM）的覆盖范围，并通过多尺度投票融合不同放大倍率下的伪掩膜；分割阶段设计在线噪声抑制策略（ONSS），动态过滤伪掩膜中的不可靠信号。关键技术包括基于Grad-CAM++的改进模型、跨尺度特征融合算法以及噪声敏感度自适应调整模块。实验数据来自公开的肺腺癌（LUAD-HistoSeg）和乳腺癌（BCSS-WSSS）数据集。

多尺度投票提升伪掩膜质量
通过分析不同缩放比例下CAM的激活差异，研究发现20倍放大时更易捕获局部特征，而5倍放大有利于全局结构识别。提出的投票机制综合各尺度优势，使肿瘤上皮（TE）和肿瘤相关间质（TAS）的IoU（交并比）分别提升7.3%和5.8%。

在线噪声抑制优化分割性能
ONSS通过动态权重调整，使模型在训练过程中逐渐降低对低置信度区域的关注。在坏死组织（NEC）分割任务中，该策略将假阳性率降低12.4%，显著优于传统对抗训练方法。

跨数据集验证泛化能力
在域适应实验中，仅用目标域10%的标注数据微调，模型在结肠癌数据集的Dice系数达到0.812，证明其优异的迁移学习能力。对比实验显示，该方法在BCSS-WSSS上mIoU（平均交并比）达61.2%，超越现有最佳弱监督方法4.7个百分点。

这项研究的意义在于：首次将多尺度共识与动态噪声抑制结合应用于病理图像弱监督分割，为临床提供可解释性强的AI辅助工具。通过仅需块级标注的轻量化方案，大幅降低医疗AI应用门槛，尤其适用于标注资源匮乏的基层医疗机构。未来可扩展至更多癌种的组织定量分析，为精准医疗提供新范式。