CAMEL: A Weakly Supervised Learning Framework for Histopathology Image Segmentation

论文：https://arxiv.org/abs/1908.10555

参考网页。今天是20190801，暂时没能搜到该篇文章。但根据参考网页进行了学习，然后将自己的理解整理成了博客。

简介

在本研究中，我们提出了弱监督学习框架CAMEL，整套框架仅使用图像级别的标注即可完成像素级识别模型的搭建。CAMEL包括两个步骤：监督信息增强（label enrichment）和有监督模型训练（segmentation）。CAMEL将图像等距切分为更小的图像块（instance），在监督信息增强过程中通过组合多实例学习（cMIL）方法为每一个小块进行标注，进而将弱监督学习转化为有监督学习的问题。在CAMELYON16和肠腺瘤数据集上的实验表明，CAMEL能够接近完全监督像素级识别模型的效果。

label enrichment使用了一个多实例学习的方式，来实现对上图中Instance-Level Data小块进行分类，从而获得掩膜mask，将该mask作为Segmentation的标记，也就能进一步训练分割模型，测试的时候直接使用Image-Level Data送入到分割模型中就能得到分割结果。

详细介绍label enrichment

从上图中可以看出，我们已经拥有了Image-Level Data和Image-Level Labels， 这个标签是针对一个宽高为M的图像，当该图像为阳性1时，该图像当中一般会有部分区域为阴性；而当该图像为阴性0时，该图像内部一般不会有阳性区域。

首先将每个Image-Level Data中标签为1的分割成如图16个小块，然后把这16个小块的标签都归为1，将标签为0的分割成如图16个小块，然后把这16个小块的标签都归为0。这样就构成了N个大小为m*m的块，然后使用网络迭代训练一轮。然后选取Image-Level Data中一幅图像标签为1，将其分割成16个小块，然后使用训练好的模型进行一轮测试，将概率最高那个小块挑选出来放到新的阳性集合中，选取Image-Level Data中一幅图像标签为0，将其分割成16个小块，然后使用训练好的模型进行一轮测试，将概率最低那个小块挑选出来放到新的阴性性集合中（这里与图中不一样，他用了max-max和max-min方式）。如此循环，构成新的训练集，再次进行训练测试，一直到满足条件为止。

详细介绍segmentation

由于label enrichment训练好了分类模型，然后对Image-Level Data分割得到的小块进行测试，得到每个小块的分类结果。将小块分割结果结合起来，这样就得到Image-Level Data中每张图片的粗略分割标记。

然后将这个粗略分割标记作为Image-Level Data中图像的分割标记，训练一个分割网络。

在测试阶段，直接将Image-Level Data图像送入分割网络中，就能得到分割结果。

总结

其实label enrichment就是为了让Image-Level Data获取一个粗略标签，这样就能训练一个分割网络。

问题

但是我还是不明白这个方法的具体使用场景，希望各位大佬解惑。