InsMix：面向细胞核实例分割的真实感生成式数据增强
图像与视频处理
2022-07-01 v1 计算机视觉与模式识别
摘要
组织学图像中的细胞核分割是数字病理分析的一项基础任务。然而，基于深度学习的细胞核分割方法常受限于标注不足。本文提出一种面向细胞核分割的真实感数据增强方法 InsMix，其遵循复制-粘贴-平滑原则并执行形态约束的生成式实例增强。具体而言，我们提出形态约束，使增强图像在获取丰富的细胞核信息的同时保持其形态学特征（如几何与位置）。为充分利用背景的像素冗余并提升模型鲁棒性，我们进一步提出一种背景扰动方法，其在不打乱原始细胞核分布的前提下随机打乱背景块。为实现原始实例与模板实例间的上下文一致性，设计了一个带有前景相似度编码器（FSE）与三元组损失的 smooth-GAN。我们在 Kumar 与 CPS 两个数据集上验证了所提方法。实验结果表明各组件的有效性，以及我们的方法相对于 SOTA 方法的优越性能。
引用
@article{arxiv.2206.15134,
title = {InsMix: Towards Realistic Generative Data Augmentation for Nuclei Instance Segmentation},
author = {Yi Lin and Zeyu Wang and Kwang-Ting Cheng and Hao Chen},
journal= {arXiv preprint arXiv:2206.15134},
year = {2022}
}
备注
Accepted by MICCAI 2022 (early accepted)