基于解耦迁移学习的跨域显微镜细胞计数

来自不同成像条件、器官和组织的显微镜图像通常在多种背景上包含大量形状各异的细胞。因此，当将源域中训练的深度学习方法迁移到新的目标域时，设计用于计数细胞的深度学习模型变得不可靠。为解决此问题，在不同域间训练基于深度学习的细胞计数模型通常需付出人工标注成本。本文提出一种仅需少量人工弱标注的跨域细胞计数方法。首先，我们实现一个细胞计数网络，将细胞图像中领域特定知识与领域无关知识解耦，二者分别对应于生成领域风格图像与细胞密度图。接着，我们设计一种图像合成技术，能够基于少量已标注的目标域图像生成大量合成图像。最后，我们使用由合成细胞构成的公共数据集作为源域（无人工标注成本）来训练细胞计数网络；随后，仅将领域无关知识迁移到真实细胞图像的新目标域。通过利用合成目标域图像和若干真实标注图像逐步精炼训练好的模型，我们所提出的跨域细胞计数方法相较于依赖目标域全标注训练图像的先进方法取得了良好性能。我们在两个真实显微镜细胞目标域数据集上评估了跨域方法的有效性，证明了在新域中仅需少量图像标注的可行性。