AnyStar：域随机化的通用星凸形三维实例分割方法
计算机视觉与模式识别
2023-07-17 v1 机器学习
摘要
星凸形结构在生物显微镜与放射影像中以细胞核、结节、转移灶及其他单元的形式出现。针对此类结构的现有实例分割网络需在每个数据集上以密集标注的实例进行训练，这要求大量且往往不切实际的人工标注工作。此外，由于对比度、形状、朝向、分辨率与密度的变化，在面对新数据集与成像模态时需要进行显著的重新设计或微调。我们提出 AnyStar，一种域随机化的生成模型，其通过随机化外观、环境与成像物理来模拟类 blob 物体的合成训练数据，以训练通用星凸形实例分割网络。因此，使用我们的生成模型训练的网络无需来自未见数据集的标注图像。一个仅在我们合成数据上训练的网络即可在荧光显微镜下的秀丽隐杆线虫（C. elegans）与杜氏蛹虫（P. dumerilii）细胞核、微 CT 下的小鼠皮质细胞核、电子显微镜下的斑马鱼脑细胞核，以及人胎儿 MRI 下的胎盘小叶进行准确的三维分割，且全程无需任何重新训练、微调、迁移学习或域适应。代码见 https://github.com/neel-dey/AnyStar。
引用
@article{arxiv.2307.07044,
title = {AnyStar: Domain randomized universal star-convex 3D instance segmentation},
author = {Neel Dey and S. Mazdak Abulnaga and Benjamin Billot and Esra Abaci Turk and P. Ellen Grant and Adrian V. Dalca and Polina Golland},
journal= {arXiv preprint arXiv:2307.07044},
year = {2023}
}
备注
Code available at https://github.com/neel-dey/AnyStar