用于细胞视频事件检测的无监督长短期记忆神经网络
计算机视觉与模式识别
2017-09-08 v1
摘要
我们提出了一种自动无监督的细胞事件检测与分类方法，该方法扩展了卷积长短期记忆 (LSTM) 神经网络，用于细胞视频序列中的细胞事件。来自各种生物医学应用的图像中的细胞通常具有不同的形状和运动性，这给细胞视频中的自动事件检测带来了困难。当前检测细胞事件的方法基于监督机器学习，并依赖于具有特定专业知识的调查人员进行繁琐的手动标注。为了使我们的 LSTM 网络能够以无监督方式进行训练，我们将其设计为分支结构，其中一个分支学习物体频繁、规则的外观和运动，另一个分支学习细胞视频序列中罕见且无预警发生的随机事件。我们在一个公开可用的数据集上测试了我们的网络，该数据集包含经历细胞分裂的密集堆积干细胞相差显微镜图像。该数据集被认为比稀疏细胞数据集更具挑战性。我们将我们的方法与在同一数据集上评估的几种已发表的监督方法，以及一种具有与我们无监督方法相似设计和配置的监督 LSTM 方法进行了比较。我们使用了 F1-score，这是精确率和召回率的平衡度量。我们的结果表明，与两种基于隐条件随机场 (HCRF) 的全监督方法相比，我们的无监督方法具有更高或相似的 F1-score，并且与当前最佳的基于 HCRF 的监督方法具有相当的准确性。我们的方法具有泛化能力，在一个视频上训练后可应用于细胞处于不同条件下的视频。我们无监督方法的准确性接近其监督对应方法。
引用
@article{arxiv.1709.02081,
title = {An unsupervised long short-term memory neural network for event detection in cell videos},
author = {Ha Tran Hong Phan and Ashnil Kumar and David Feng and Michael Fulham and Jinman Kim},
journal= {arXiv preprint arXiv:1709.02081},
year = {2017}
}