利用无监督对抗域适应与有监督密度回归的显微细胞自动计数
计算机视觉与模式识别
2019-03-25 v2
摘要
显微图像中细胞的准确计数对于医学诊断和生物研究十分重要。然而，人工细胞计数非常耗时、繁琐且容易出现主观误差。我们提出了一种基于密度回归的新型自动细胞计数方法，减少了对实验图像进行人工标注的需求。一个基于有监督学习的密度回归模型（DRM）使用带标注的合成图像（源域）及其对应的真实密度图进行训练。构建域适应模型（DAM）将实验图像（目标域）映射到源域的特征空间。通过使用基于无监督学习的DAM和基于有监督学习的DRM，可以估计给定目标图像的细胞密度图，并从中计数细胞数量。来自人胚胎干细胞的实验免疫荧光显微图像的结果证明了所提计数方法的前景性能。
引用
@article{arxiv.1903.00388,
title = {Automatic microscopic cell counting by use of unsupervised adversarial domain adaptation and supervised density regression},
author = {Shenghua He and Kyaw Thu Minn and Lilianna Solnica-Krezel and Hua Li and Mark Anastasio},
journal= {arXiv preprint arXiv:1903.00388},
year = {2019}
}
备注
SPIE Medical imaging 2019 oral presentation