基于自监督双损失自适应掩码自编码器的多重免疫荧光脑图像分析
计算机视觉与模式识别
2023-01-03 v3
摘要
可靠的大规模细胞检测与分割是理解脑中生物过程的基础第一步。规模化细胞表型分析可加速临床前药物评估与系统级脑组织学研究。深度学习的显著进展为细胞图像检测与分割提供了实用方案。不幸的是，为训练深度网络而对细胞分类并勾画边界是一项昂贵过程，需熟练生物学家参与。本文提出一种新颖的自监督双损失自适应掩码自编码器（DAMA），用于从多重免疫荧光脑图像中学习丰富特征。DAMA 的目标函数在像素级重建与特征级回归中最小化条件熵。不同于现有基于随机图像掩码策略的自监督学习方法，DAMA 采用新颖的自适应掩码采样策略以最大化互信息并有效学习脑细胞数据。据我们所知，这是首个为多重免疫荧光脑图像开发自监督学习方法的尝试。我们充分的实验表明，DAMA 特征能在无需大量标注的情况下实现优越的细胞检测、分割与分类性能。
引用
@article{arxiv.2205.05194,
title = {Multiplexed Immunofluorescence Brain Image Analysis Using Self-Supervised Dual-Loss Adaptive Masked Autoencoder},
author = {Son T. Ly and Bai Lin and Hung Q. Vo and Dragan Maric and Badri Roysam and Hien V. Nguyen},
journal= {arXiv preprint arXiv:2205.05194},
year = {2023}
}
备注
Adding new results on multiplexed image data and data efficiency. Pytorch code: https://github.com/hula-ai/DAMA