基于热图的伪标签方法用于细胞检测中的无监督域适应
计算机视觉与模式识别
2023-03-10 v1
摘要
细胞检测是生物医学研究中的一项重要任务。近年来,深度学习方法使得细胞检测性能得以提升。然而,在特定条件(源域)下使用训练数据训练的检测网络,在其他条件(目标域)下的数据上可能表现不佳,这被称为域偏移问题。特别地,细胞根据研究目的在不同条件下培养。细胞的形状和密度等特征随条件变化,此类变化可能引发域偏移问题。在此,我们提出一种利用伪细胞位置热图和无选择性伪标签的细胞检测无监督域适应方法,其中细胞中心位于图中高斯分布的峰值处。在对目标域的预测结果中,即使峰值位置正确,峰值周围信号分布常呈非高斯形状。因此,利用预测热图中的峰值位置重新生成具有清晰高斯形状的伪细胞位置热图。我们的方法基于不确定性和课程学习筛选高置信度的伪细胞位置热图。我们进行了大量实验,表明与现有方法相比,我们的方法在不同条件下提升了检测性能。
引用
@article{arxiv.2303.05269,
title = {Effective Pseudo-Labeling based on Heatmap for Unsupervised Domain Adaptation in Cell Detection},
author = {Hyeonwoo Cho and Kazuya Nishimura and Kazuhide Watanabe and Ryoma Bise},
journal= {arXiv preprint arXiv:2303.05269},
year = {2023}
}
备注
16 pages, 18 figures, Accepted in Medical Image Analysis 2022