自从深度神经网络被广泛应用以来，计算病理学领域已经取得了巨大的进步。这些网络通常需要大量注释的数据来训练大量参数。但是，注释大型组织病理学数据集需要大量精力。我们引入了一个轻巧且可解释的模型，用于核检测和弱监督的分割。它仅需要在孤立的核上进行注释，而不是数据集中的所有核。此外，这是一个生成的组成模型，首先定位核的一部分，然后学习各部分的空间相关性，以进一步定位核。这个过程在预测中带来了可解释性。内部数据集的经验结果表明，在检测中，提出的方法比其深层网络对应物获得了可比性或更好的性能，尤其是在注释数据受到限制的情况下。它还优于流行的弱监督分割方法。提出的方法可能是深度学习方法渴望数据问题的替代解决方案。
translated by 谷歌翻译