基于深度学习的域适应在电子显微镜体数据线粒体分割中的应用
计算机视觉与模式识别
2022-07-06 v2
摘要
对脑电子显微镜（EM）体数据的精确分割，对于在细胞或细胞器水平表征神经元结构至关重要。尽管近年来有监督深度学习方法在该方向上取得了重大突破，但它们通常需要大量标注数据进行训练，并且在类似实验与成像条件下获取的其他数据上表现不佳。这是一个被称为域适应的问题，因为从样本分布（或源域）学习到的模型难以在取自不同分布或目标域的样本上保持性能。在本工作中，我们处理了基于深度学习的、跨不同组织与物种EM数据集的线粒体分割域适应这一复杂情形。我们提出了三种无监督域适应策略以改进目标域中的线粒体分割，其基于：（1）两域图像间最先进的风格迁移；（2）自监督学习，使用无标签的源域和目标域图像预训练模型，然后仅用源域标签微调；（3）使用有标签与无标签图像端到端训练的多任务神经网络架构。此外，我们提出了一种基于仅在源域获得的形态学先验的新训练停止准则。我们使用三个公开可用的EM数据集进行了所有可能的跨数据集实验。我们在目标数据集上预测的线粒体语义标签上评估了所提策略。此处引入的方法优于基线方法，并与当前最优水平相当。在缺乏验证标签时，监测我们提出的基于形态的度量是一种直观且有效的方式，用以停止训练过程并平均选中最优模型。
引用
@article{arxiv.2202.10773,
title = {Deep learning based domain adaptation for mitochondria segmentation on EM volumes},
author = {Daniel Franco-Barranco and Julio Pastor-Tronch and Aitor Gonzalez-Marfil and Arrate Muñoz-Barrutia and Ignacio Arganda-Carreras},
journal= {arXiv preprint arXiv:2202.10773},
year = {2022}
}