将 Faster R-CNN 应用于疟疾图像中的目标检测
计算机视觉与模式识别
2019-03-12 v2
摘要
基于深度学习的模型在目标检测方面取得了巨大成功，但最先进的模型尚未广泛应用于生物图像数据。我们首次将先前用于自然图像的目标检测模型应用于识别疟疾感染血液的明场显微镜图像中的细胞并识别其阶段。许多像疟原虫这样的微生物仍由专家手动检查和手工计数来研究。这类目标检测任务由于细胞形状、密度和颜色的差异以及某些细胞类别的不确定性而具有挑战性。此外，用于训练的标注数据稀缺，并且由于未感染红细胞的优势，类别分布固有地高度不平衡。我们使用近年来性能最优的目标检测模型之一 Faster Region-based Convolutional Neural Network（Faster R-CNN），其在 ImageNet 上预训练但用我们的数据微调，并将其与基于传统方法的基线进行比较，该基线由细胞分割、多个单细胞特征提取和使用随机森林的分类组成。为进行初步研究，我们收集并标注了由约 100,000 个单个细胞组成的 1300 个视场的数据集。我们证明 Faster R-CNN 优于我们的基线，并将结果置于人类表现背景下。
引用
@article{arxiv.1804.09548,
title = {Applying Faster R-CNN for Object Detection on Malaria Images},
author = {Jane Hung and Deepali Ravel and Stefanie C. P. Lopes and Gabriel Rangel and Odailton Amaral Nery and Benoit Malleret and Francois Nosten and Marcus V. G. Lacerda and Marcelo U. Ferreira and Laurent Rénia and Manoj T. Duraisingh and Fabio T. M. Costa and Matthias Marti and Anne E. Carpenter},
journal= {arXiv preprint arXiv:1804.09548},
year = {2019}
}
备注
CVPR 2017: computer vision for microscopy image analysis (CVMI) Workshop