利用先验自激活图探索无监督细胞识别
计算机视觉与模式识别
2023-08-23 v1 人工智能
机器学习
摘要
有监督深度学习模型在细胞识别任务上的成功依赖于详细的标注。许多先前的工作已设法减少对标签的依赖。然而，考虑到一块图像中包含的大量细胞，昂贵且低效的标注仍不可避免。为此，我们探索了用于细胞识别的无标签方法。我们提出先验自激活图（PSM）来生成伪掩码作为训练目标。具体而言，一个激活网络通过自监督学习进行训练。网络中浅层的梯度信息被聚合以生成先验自激活图。之后，引入一个语义聚类模块作为流水线，将PSM转换为用于下游任务的像素级语义伪掩码。我们在两个组织学数据集上评估了我们的方法：MoNuSeg（细胞分割）和BCData（多类细胞检测）。与其他全监督和弱监督方法相比，我们的方法无需任何人工标注即可达到有竞争力的性能。我们简单而有效的框架还能实现现有无监督方法无法完成的多种类细胞检测。结果显示了PSM的潜力，可能启发其他研究解决医学领域对标注的渴求。
引用
@article{arxiv.2308.11144,
title = {Exploring Unsupervised Cell Recognition with Prior Self-activation Maps},
author = {Pingyi Chen and Chenglu Zhu and Zhongyi Shui and Jiatong Cai and Sunyi Zheng and Shichuan Zhang and Lin Yang},
journal= {arXiv preprint arXiv:2308.11144},
year = {2023}
}
备注
MICCAI 2023. arXiv admin note: substantial text overlap with arXiv:2210.07862