通过带自适应权重选择的多任务学习从明场显微镜中分割聚集的变形虫样细胞
图像与视频处理
2020-05-20 v1 计算机视觉与模式识别
机器学习
摘要
从显微镜图像中检测并分割单个细胞对各类生命科学应用至关重要。传统的细胞分割工具常因对比度差和强度异质性而不适用于明场显微镜,且仅有少数可用于分割聚簇中的细胞。为此,我们引入了一种在多任务学习范式下的新型有监督细胞分割技术。基于区域与细胞边界检测的多任务损失组合被采用,以提升网络的预测效率。该学习问题被置于一种新颖的极小极大框架下,从而能够自动自适应地估计超参数。区域与细胞边界预测通过形态学操作与活动轮廓模型相结合以分割单个细胞。所提方法特别适用于在无人工干预下分割明场显微镜图像中相互接触的细胞。在定量上,我们在验证集上观察到总体 Dice 分数为 0.93,较近期一种无监督方法提升超过 15.9%,且平均优于流行的有监督 U-net 算法至少 。
引用
@article{arxiv.2005.09372,
title = {Learning to segment clustered amoeboid cells from brightfield microscopy via multi-task learning with adaptive weight selection},
author = {Rituparna Sarkar and Suvadip Mukherjee and Elisabeth Labruyère and Jean-Christophe Olivo-Marin},
journal= {arXiv preprint arXiv:2005.09372},
year = {2020}
}