Using only global image-class labels, weakly-supervised learning methods, such as class activation mapping, allow training CNNs to jointly classify an image, and locate regions of interest associated with the predicted class. However, without any guidance at the pixel level, such methods may yield inaccurate regions. This problem is known to be more challenging with histology images than with natural ones, since objects are less salient, structures have more variations, and foreground and background regions have stronger similarities. Therefore, computer vision methods for visual interpretation of CNNs may not directly apply. In this paper, a simple yet efficient method based on a composite loss is proposed to learn information from the fully negative samples (i.e., samples without positive regions), and thereby reduce false positives/negatives. Our new loss function contains two complementary terms: the first exploits positive evidence collected from the CNN classifier, while the second leverages the fully negative samples from training data. In particular, a pre-trained CNN is equipped with a decoder that allows refining the regions of interest. The CNN is exploited to collect both positive and negative evidence at the pixel level to train the decoder. Our method called NEGEV benefits from the fully negative samples that naturally occur in the data, without any additional supervision signals beyond image-class labels. Extensive experiments show that our proposed method can substantial outperform related state-of-art methods on GlaS (public benchmark for colon cancer), and Camelyon16 (patch-based benchmark for breast cancer using three different backbones). Our results highlight the benefits of using both positive and negative evidence, the first obtained from a classifier, and the other naturally available in datasets.
翻译:仅使用全球图像类标签, 低监管的学习方法, 如阶级启动映射等, 使CNN能够对图像进行联合分类, 并定位与预测类相关的相关区域。 但是, 在没有像素级任何指导的情况下, 这些方法可能会产生不准确的区域。 众所周知, 这个问题在组织图像上比自然图象更具挑战性, 因为对象不那么突出, 结构差异更大, 以及背景和背景区域有更强烈的相似性。 因此, 对CNN进行直观解读的计算机直观方法可能无法直接应用。 在本文中, 以综合损失为基础的简单而有效的方法来从完全负面的样本中( 即样本没有正面的区域) 学习信息, 从而降低错误的正反效果/ 。 我们的新损失函数包含两个互补条件: 第一次利用从CNNCNN分析器采集的正面证据, 而第二个则利用培训数据中完全负的样本。 特别是, 受过训练的CNNCN可以配置一个直径直的分解器, 来改善感兴趣的区域 。 CNNCM 被利用一个基于综合损失的简单的简单的简单证据,,, 来收集到在正常的基底基级的基底基级的正基比,,,, 的基底的基级的基级的基比, 显示我们的底基级的基比 显示我们的基比 显示我们基,,, 显示的基级的基, 显示我们基级的基 的基 的基 显示我们基 的基 显示我们基 的基 的基 的基 的基, 的基级 的 的 的 的基级 显示我们的基级 的基级, 的基 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的 的