用于高效注释细胞核实例分割的小样本学习
计算机视觉与模式识别
2024-02-29 v2
摘要
组织病理学图像中的细胞核实例分割受限于极其耗时且依赖专家的细胞核实例注释。作为解决该任务的有前景的方案，高效注释的深度学习范式最近引起了广泛的研究兴趣，例如弱监督/半监督学习、生成对抗学习等。在本文中，我们提出从小样本学习（FSL）的角度来构建高效注释的细胞核实例分割。我们的工作是受到计算病理学繁荣的启发，越来越多的全注释数据集公开可用，我们希望利用这些外部数据集来辅助仅具有非常有限注释的目标数据集上的细胞核实例分割。为了实现这一目标，我们采用了基于元学习的 FSL 范式，但在适应我们的任务之前必须在两个重要方面进行调整。首先，由于新类别可能与外部数据集的类别不一致，我们将小样本实例分割（FSIS）的基本定义扩展为广义小样本实例分割（GFSIS）。其次，为了应对细胞核分割的内在挑战，包括相邻细胞间的接触、细胞异质性等，我们进一步在 GFSIS 网络中引入了结构引导机制，最终形成了一个统一的结构引导广义小样本实例分割（SGFSIS）框架。在几个公开可用数据集上的大量实验表明，SGFSIS 优于其他高效注释学习基线（包括半监督学习、简单迁移学习等），其性能与使用少于 5% 注释的全监督学习相当。
引用
@article{arxiv.2402.16280,
title = {Few-Shot Learning for Annotation-Efficient Nucleus Instance Segmentation},
author = {Yu Ming and Zihao Wu and Jie Yang and Danyi Li and Yuan Gao and Changxin Gao and Gui-Song Xia and Yuanqing Li and Li Liang and Jin-Gang Yu},
journal= {arXiv preprint arXiv:2402.16280},
year = {2024}
}