Source-Free Domain Adaptation of Weakly-Supervised Object Localization Models for Histology

随着深度学习的出现，数字病理学在基于组织学图像的癌症诊断中变得越来越流行。可以训练深度弱监督目标定位（WSOL）模型，根据癌症等级对组织学图像进行分类，并识别感兴趣区域（ROIs）以进行解释，使用廉价的全局图像分类注释。 WSOL模型最初是在一些有标记的源图像数据上进行训练的，可以使用未标记的目标数据进行适应，以应对染色，扫描仪和癌症类型的巨大领域变化。本文重点研究无源（无监督）域自适应（SFDA），这是一个具有挑战性的问题，其中预先训练的源模型适应于新的目标域，而不使用任何源域数据，以保护隐私和提高效率。 WSOL模型的SFDA在组织学中提出了几个挑战，最重要的是它们不打算适应于分类和定位任务。本文比较了4种最先进的SFDA方法，每种方法代表一个主要的SFDA家族，对于WSOL的分类和定位精度进行了比较。它们是SFDA-分布估计，源假设转移，跨域对比学习和自适应域统计对齐。在具有挑战性的Glas（较小的乳腺癌）和Camelyon16（较大的结肠癌）组织学数据集上的实验结果表明，这些SFDA方法在优化分类后，在适应后通常定位效果不佳。

本文旨在解决无监督域自适应（SFDA）下的深度弱监督目标定位（WSOL）模型在组织病理学中的应用问题，主要是针对组织染色、扫描仪和癌症类型等方面的领域变化进行自适应。

本文提出了四种主流的SFDA方法，分别是分布估计、源假设转移、跨域对比学习和自适应域统计对齐，并在Glas和Camelyon16数据集上进行了实验比较，发现这些方法在分类优化后对于定位的表现通常较差。

本文主要关注WSOL在组织病理学中的应用，提出了四种新的SFDA方法，并在两个具有挑战性的数据集上进行了实验比较。实验结果表明，这些SFDA方法通常在分类优化后对于定位的表现较差。本文的工作为WSOL的SFDA提供了一些新思路，同时也为组织病理学中的深度学习应用提供了一些参考。

近期的相关研究包括：1.《Domain adaptation for histopathology image analysis: An extensive review》；2.《Unsupervised domain adaptation for deep learning: A systematic review》；3.《Deep learning for whole slide image analysis: An overview》等。