गहरे व्याख्यात्मक वर्गीकरण और अधिकतम-न्यूनतम अनिश्चितता के माध्यम से हिस्टोलॉजी छवियों का कमजोर-परवर्ती विभाजन

कमजोर-परवर्ती अधिगम (WSL) ने हाल ही में महत्वपूर्ण रुचि उत्पन्न की है क्योंकि यह पिक्सेल-वार एनोटेशनों की कमी को कम करता है। वैश्विक चित्र लेबल दिए जाने पर, WSL विधियाँ पिक्सेल-स्तरीय पूर्वानुमान (विभाजन) उत्पन्न करती हैं, जो वर्ग पूर्वानुमानों की व्याख्या करने में सक्षम बनाती हैं। उनकी हालिया सफलता के बावजूद, खासकर प्राकृतिक चित्रों के साथ, ऐसी विधियाँ महत्वपूर्ण चुनौतियों का सामना कर सकती हैं जब अग्रभूमि और पृष्ठभूमि के क्षेत्र समान दृश्य संकेतों का उपयोग करते हैं, जिससे विभाजनों में उच्च झूठे-सकारात्मक दरें होती हैं, जैसा कि चुनौतीपूर्ण हिस्टोलॉजी छवियों में होता है। WSL प्रशिक्षण आमतौर पर मानक वर्गीकरण हानियों द्वारा संचालित होता है, जो अनायास मॉडल विश्वास को अधिकतम करते हैं, और वर्गीकरण निर्णयों से जुड़े विभेदक क्षेत्रों को स्थानांतरित करते हैं। इसलिए, इनके पास स्पष्ट रूप से गैर-परीक्षित क्षेत्रों के मॉडलिंग और झूठे-सरकारी दरों को कम करने के लिए तंत्र की कमी होती है। हम नवीनतम नियमितीकरण शर्तें प्रस्तुत करते हैं, जो मॉडल को गैर-परीक्षित और विभेदक क्षेत्रों की खोज करने की अनुमति देती हैं, जबकि असंतुलित विभाजन को हतोत्साहित करती हैं। हम उच्च अनिश्चितता को एक मानदंड के रूप में पेश करते हैं जो गैर-परीक्षित क्षेत्रों को स्थानांतरित करने के लिए है जो वर्गीकरण निर्णय को प्रभावित नहीं करते हैं, और इसे मूल कु्ल्बैक-लाइबर (KL) विचलन हानियों के साथ वर्णित करते हैं जो पूर्वानुमान की विमुक्त वितरण से विचलन का मूल्यांकन करते हैं। हमारे KL शर्तें उस समय मॉडल की उच्च अनिश्चितता को प्रेरित करती हैं जब बाद वाला छिपे हुए गैर-परीक्षित क्षेत्रों को इनपुट करता है। हमारी हानि में शामिल है: (i) एक क्रॉस-एंट्रॉपी जो अग्रभूमि की खोज करता है, जहां वर्ग पूर्वानुमान के बारे में मॉडल का विश्वास उच्च होता है; (ii) एक KL नियमित करने वाला जो पृष्ठभूमि की खोज करता है, जहां मॉडल की अनिश्चितता उच्च होती है; और (iii) लॉग-बरियर शर्तें असंतुलित विभाजनों को हतोत्साहित करती हैं। सार्वजनिक GlaS कोलन कैंसर डेटा और स्तन कैंसर के लिए Camelyon16 पैच-आधारित मानक पर व्यापक प्रयोगात्मक और उन्मूलन अध्ययन बताते हैं कि नवीनतम WSL विधियों पर महत्वपूर्ण सुधार हुआ है, और हमारे नए नियमितकर्ताओं के प्रभाव की पुष्टि करते हैं (हम कोड सार्वजनिक रूप से उपलब्ध है https://github.com/sbelharbi/deep-wsl-histo-min-max-uncertainty)।