面向细胞核分割的实例感知自监督学习
计算机视觉与模式识别
2020-07-23 v1
摘要
由于细胞核的广泛存在与较大形态差异，精确的细胞核实例分割仍是计算病理学中最具挑战性的任务之一。细胞核实例的标注需要经验丰富的病理学家手动勾画轮廓，极为费力且昂贵，常导致标注数据的匮乏。基于深度学习的分割方法高度依赖训练数据量，难以在该领域充分展现其能力。本文提出一种新颖的自监督学习框架，以深度挖掘广泛使用的卷积神经网络（CNNs）在细胞核实例分割任务上的潜力。所提方法包含两项子任务（即尺度三元组学习与计数排序），使神经网络能隐式利用细胞核尺寸与数量的先验知识，从而从原始数据中挖掘实例感知的特征表示。在公开可用的MoNuSeg数据集上的实验结果表明，所提自监督学习方法能显著提升细胞核实例的分割精度——我们的自监督ResUNet-101取得了新的最先进平均聚合Jaccard指数（AJI）70.63%。据我们所知，这是首项聚焦于实例分割自监督学习的工作。
引用
@article{arxiv.2007.11186,
title = {Instance-aware Self-supervised Learning for Nuclei Segmentation},
author = {Xinpeng Xie and Jiawei Chen and Yuexiang Li and Linlin Shen and Kai Ma and Yefeng Zheng},
journal= {arXiv preprint arXiv:2007.11186},
year = {2020}
}
备注
MICCAI 2020; The first two authors contributed equally