基于标签高效对比学习的 3D 心血管免疫荧光图像细胞核检测与分类模型
图像与视频处理
2024-01-17 v3 计算机视觉与模式识别
摘要
近年来，基于深度学习的方法在细胞核检测与分类应用中取得了有前景的性能。然而，训练基于深度学习的方法需要大量像素级标注数据，这耗时耗力，尤其在 3D 图像中。一种替代方案是采用弱标注方法，例如用点标注每个细胞核，但该方法无法从 2D 组织病理学图像（其最初针对后者开发）推广到 3D 免疫荧光图像。原因在于 3D 图像包含用于细胞核和不同标记物的多个通道（z 轴），这使得利用点标注进行训练十分困难。为应对这一挑战，我们提出了基于标签高效对比学习（LECL）的模型，用于检测和分类 3D 免疫荧光图像中各类细胞核。先前方法使用最大强度投影（MIP）将多切片免疫荧光图像转换为 2D 图像，这可能导致来自不同 z 栈的信号被错误地认为相互关联。为克服此问题，我们设计了一种扩展最大强度投影（EMIP）方法来解决使用 MIP 所带来的问题。此外，我们在弱监督设定下采用了监督对比学习（SCL）方法。我们在心血管数据集上进行了实验，发现我们提出的框架在检测和分类 3D 免疫荧光图像中各类细胞核方面高效且有效。
引用
@article{arxiv.2309.03744,
title = {Label-efficient Contrastive Learning-based model for nuclei detection and classification in 3D Cardiovascular Immunofluorescent Images},
author = {Nazanin Moradinasab and Rebecca A. Deaton and Laura S. Shankman and Gary K. Owens and Donald E. Brown},
journal= {arXiv preprint arXiv:2309.03744},
year = {2024}
}
备注
11 pages, 5 figures, MICCAI Workshop Conference 2023