AD-GAN：基于对齐解耦训练的端到端无监督细胞核分割
图像与视频处理
2022-03-11 v2 计算机视觉与模式识别
机器学习
摘要
本文研究无监督细胞核分割。通过利用最近提出的细胞核图像与随机合成掩码之间的非配对图像到图像转换，现有方法（例如 CycleGAN）取得了令人鼓舞的结果。然而，这些方法通常采用两阶段流程，无法在细胞核图像中实现端到端学习。更严重的是，它们可能导致有损变换问题，即原始图像与对应分割输出之间的内容不一致。为了解决这些局限性，我们提出了一种名为对齐解耦生成对抗网络（AD-GAN）的新型端到端无监督框架。独特之处在于，AD-GAN 引入了表征解耦，将内容表征（底层空间结构）与风格表征（结构的渲染）分离。借助该框架，可以显式地保留空间结构，从而显著减少宏观层面的有损变换。我们还提出了一种新颖的训练算法，能够在隐空间中对齐解耦的内容，以减少微观层面的有损变换。在真实世界的 2D 和 3D 数据集上的评估表明，AD-GAN 在定量和定性方面均显著优于其他对比方法和专业软件。具体而言，在四个细胞核数据集上，所提出的 AD-GAN 相对于当前最佳的无监督方法平均相对提升了 17.8%（关于指标 DICE）。作为一种无监督方法，AD-GAN 甚至表现出与最佳监督模型相当的竞争力，向端到端无监督细胞核分割迈出了更进一步的一步。
引用
@article{arxiv.2107.11022,
title = {AD-GAN: End-to-end Unsupervised Nuclei Segmentation with Aligned Disentangling Training},
author = {Kai Yao and Kaizhu Huang and Jie Sun and Curran Jude},
journal= {arXiv preprint arXiv:2107.11022},
year = {2022}
}