利用惰性标签学习分割显微图像
计算机视觉与模式识别
2020-09-11 v2 机器学习
机器学习
摘要
对包含大量具有细微间隔的物体实例的生物图像进行像素级标注的需求繁重，这是许多用于分割生物图像的全监督学习方法的重大局限。本文介绍了一种用于显微图像分割的深度卷积神经网络。通过让网络可在粗标签与仅极少数具有像素级标注的图像相结合的情况下训练，规避了标注问题。我们称这种新标注策略为“惰性”标签。图像分割被划分为三个相连的任务：粗略内部区域检测、物体分离和像素级分割。这些任务在一个端到端的多任务学习框架中学习。该方法在两个显微数据集上进行了演示，结果表明即使大多数标注数据缺少精确边界标签，模型也能给出准确的分割结果。这为训练数据饥渴的深度神经网络带来了更高的灵活性与效率，并适用于物体边界对比度差或具有多样纹理与重复模式的生物医学图像。
引用
@article{arxiv.1906.12177,
title = {Learning to segment microscopy images with lazy labels},
author = {Rihuan Ke and Aurélie Bugeau and Nicolas Papadakis and Peter Schuetz and Carola-Bibiane Schönlieb},
journal= {arXiv preprint arXiv:1906.12177},
year = {2020}
}