SegMix: Metodo di Apprendimento con Feedback Basato su Mescolamento per la Segmentazione di Immagini Patologiche

È stato proposto un nuovo metodo di apprendimento con feedback basato su mescolamento chiamato SegMix per affrontare le limitazioni nella segmentazione semantica delle immagini patologiche. L'approccio è ispirato all'apprendimento curriculare e mira a superare le sfide nell'acquisizione di dati di segmentazione supervisionati di alta qualità a livello di pixel, che richiedono un carico di lavoro significativo da parte di patologi esperti e limitano le applicazioni di deep learning. Rilassando le condizioni di etichettatura alle etichette di classificazione a livello di immagine, è possibile utilizzare più dati in vari scenari. I metodi attuali che sfruttano la Mappa di Attivazione di Classe (CAM) per generare annotazioni pseudo-pixel da etichette a livello di immagine non riescono a esplorare a fondo le caratteristiche essenziali delle immagini patologiche, identificando solo aree ridotte insufficienti per la maschera pseudo. La segmentazione rimane fondamentale nella patologia computazionale per identificare aree affette da malattia o di crescita anormale essenziali per la diagnosi e il trattamento. La ricerca è documentata in arXiv:2604.15777v1 come annuncio incrociato.