少样本显微镜图像细胞分割

在深度神经网络全监督训练的支撑下，显微镜图像中的自动细胞分割表现良好。然而，为每个新的显微镜数据库和细胞类型收集和标注图像并非可持续的方案。相反，我们假设可以访问来自不同领域（源）的大量标注图像数据集，以及来自目标领域（目标）的有限标注图像数据集，其中每个领域不仅表示不同的图像外观，还表示不同类型的细胞分割问题。我们将此问题表述为元学习，其目标是从可用的源领域数据集和细胞分割任务中学习一个通用且可适应的少样本学习模型。该模型之后可在包含不同图像外观和不同细胞类型的目标领域的少量标注图像上进行微调。在我们的元学习训练中，我们提出结合三个目标函数以分割细胞、利用跨领域任务将分割结果推离分类边界，并学习源领域任务间的不变表示。我们在五个公共数据库上的实验展示了使用标准分割神经网络架构从 1-shot 到 10-shot 元学习的有前景的结果。