用于线粒体分割的对比学习
计算机视觉与模式识别
2021-09-28 v1
摘要
电子显微镜图像中的线粒体分割在神经科学中至关重要。然而，由于成像过程中的图像退化、线粒体结构的高度多样性，以及噪声、伪影和其他亚细胞结构的存在，线粒体分割非常具有挑战性。在本文中，我们提出了一种新颖有效的对比学习框架，从困难样本中学习更好的特征表示以改善分割。具体而言，我们采用点采样策略在训练阶段从困难样本中挑选出代表性像素。基于这些采样像素，我们引入了一种基于像素级标签的对比损失，由相似性损失项和一致性损失项组成。相似性项可增加特征空间中同类像素的相似性和不同类像素的可分性，而一致性项能够增强3D模型对逐帧图像内容变化的敏感性。我们在MitoEM数据集以及FIB-SEM数据集上证明了我们方法的有效性，并展示出优于或与最先进（SOTA）结果相当的性能。
引用
@article{arxiv.2109.12363,
title = {Contrastive Learning for Mitochondria Segmentation},
author = {Zhili Li and Xuejin Chen and Jie Zhao and Zhiwei Xiong},
journal= {arXiv preprint arXiv:2109.12363},
year = {2021}
}