使用卷积多示例学习对显微镜图像进行分类与分割
计算机视觉与模式识别
2017-05-25 v1 亚细胞过程
机器学习
摘要
卷积神经网络（CNN）在分类和分割任务上均取得了最先进的性能。由于缺乏在单细胞级别标注的数据集，将 CNN 应用于显微镜图像具有挑战性。我们利用多示例学习（MIL）扩展了 CNN 在显微镜图像分类与分割中的应用。我们提出了自适应 Noisy-AND MIL 池化函数，一种对离群值鲁棒的新型 MIL 算子。将 CNN 与 MIL 结合使得可以使用带有全局标签的全分辨率显微镜图像训练 CNN。我们的方法基于 MIL 中使用的聚合函数与 CNN 中使用的池化层之间的相似性。我们表明，端到端训练 MIL CNN 在哺乳动物和酵母显微镜图像上均优于先前的几种方法，且不需要任何分割步骤。
引用
@article{arxiv.1511.05286,
title = {Classifying and Segmenting Microscopy Images Using Convolutional Multiple Instance Learning},
author = {Oren Z. Kraus and Lei Jimmy Ba and Brendan Frey},
journal= {arXiv preprint arXiv:1511.05286},
year = {2017}
}