分类胜回归：基于无标注训练样本的灰度显微图像细胞计数
图像与视频处理
2021-05-18 v2 计算机视觉与模式识别
摘要
现代方法常将显微图像中细胞计数表述为回归问题，并或多或少依赖昂贵的人工标注训练图像（例如指示细胞质心的点标注或识别细胞轮廓的分割掩码）。本工作提出一种基于分类导向卷积神经网络（CNNs）的监督学习框架，无需使用标注训练图像即可从灰度显微图像中计数细胞。在该框架中，我们将细胞计数任务表述为图像分类问题，以细胞数量作为类标签。当测试阶段某些细胞数量未出现在训练数据中时，该表述存在局限。此外，细胞数量间的顺序关系未被利用。为应对这些局限，我们提出一种简单而有效的数据增强（DA）方法，为未见细胞数量合成图像。我们还引入一种集成方法，既可减轻未见细胞数量的影响，又能利用顺序信息提高预测精度。该框架优于许多现代细胞计数方法，并赢得了加拿大统计学会（SSC）第47届年会的数据分析竞赛（案例研究1：从显微图像计数细胞 https://ssc.ca/en/case-study/case-study-1-counting-cells-microscopic-images）。我们的代码见 https://github.com/anno2020/CellCount_TinyBBBC005。
引用
@article{arxiv.2010.14782,
title = {Classification Beats Regression: Counting of Cells from Greyscale Microscopic Images based on Annotation-free Training Samples},
author = {Xin Ding and Qiong Zhang and William J. Welch},
journal= {arXiv preprint arXiv:2010.14782},
year = {2021}
}