弱监督干细胞集落分割中的注意力有效多示例学习
图像与视频处理
2022-03-10 v1 计算机视觉与模式识别
机器学习
摘要
诱导多能干细胞（iPSC）集落的检测通常需要精确提取集落特征。然而，现有的计算机系统依赖通过预处理分割轮廓以分类集落状态，任务繁重。为最大化集落状态分类的效率，我们提出一种弱监督设置下的多示例学习（MIL）。它设计为单一模型，可在不使用精细标注样本的情况下产生集落的弱分割与分类。作为单一模型，我们采用类U-net的卷积神经网络（CNN）在二值图像级标签上训练以进行MIL集落分类。此外，为指定感兴趣对象，我们使用了一种简单的后处理方法。所提方法通过五折交叉验证与受试者工作特征（ROC）曲线与常规方法进行比较。MIL-net的最高准确率为95%，比常规方法高15%。此外，基于图像级标签而不使用逐像素真值图像来解释iPSC集落位置的能力，在集落状态识别中更具吸引力且更具成本效益。
引用
@article{arxiv.2203.04606,
title = {Attention-effective multiple instance learning on weakly stem cell colony segmentation},
author = {Novanto Yudistira and Muthu Subash Kavitha and Jeny Rajan and Takio Kurita},
journal= {arXiv preprint arXiv:2203.04606},
year = {2022}
}