用于重叠染色体分割的对抗式多尺度特征学习
计算机视觉与模式识别
2021-03-29 v2 人工智能
摘要
染色体核型分析在疾病的诊断和治疗中具有重要的临床意义，尤其是针对遗传性疾病。由于人工分析极为耗时耗力，基于图像的计算机辅助自动染色体核型分析被常规用于提高分析的效率和准确性。由于染色体呈条带状，在成像时容易相互重叠，显著影响了后续分析的准确性。传统的重叠染色体分割方法通常基于人工标注的特征，因此其性能容易受到图像质量（如分辨率和亮度）的影响。为解决该问题，本文提出一种对抗式多尺度特征学习框架，以提高重叠染色体分割的准确性和适应性。具体而言，我们首先采用具有密集跳跃连接的嵌套 U 形网络作为生成器，通过利用多尺度特征来探索染色体图像的最优表示。然后我们使用条件生成对抗网络（cGAN）生成与原始图像相似的图像，并通过采用最小二乘 GAN 目标来增强其训练稳定性。最后，我们采用 Lovasz-Softmax 帮助模型在连续优化设定下收敛。与已有算法相比，我们的框架在八个评价指标上使用公共数据集证明了其性能的优越性，显示出其在重叠染色体分割中的巨大潜力。
引用
@article{arxiv.2012.11847,
title = {Adversarial Multiscale Feature Learning for Overlapping Chromosome Segmentation},
author = {Liye Mei and Yalan Yu and Yueyun Weng and Xiaopeng Guo and Yan Liu and Du Wang and Sheng Liu and Fuling Zhou and Cheng Lei},
journal= {arXiv preprint arXiv:2012.11847},
year = {2021}
}