NINEPINS：基于点标注的细胞核实例分割
图像与视频处理
2020-06-25 v1 计算机视觉与模式识别
机器学习
摘要
基于深度学习的方法在数字病理学中正获得关注，越来越多的出版物和挑战赛旨在简化系统且详尽分析组织切片的工作。这些方法常取得很高精度，代价是需要大量标注数据集用于训练。这一要求在医疗领域尤其难以满足，因为专家知识必不可少。本文聚焦于细胞核分割，其通常需经验丰富的病理学家在十亿像素组织学图像中标注核区域。我们提出一种实例分割算法，使用由点标注自动生成的伪标签分割，作为减轻病理学家负担的方法。利用生成的分割掩码，所提方法训练一个修改版 HoVer-Net 模型以实现实例分割。实验结果表明，所提方法对点标注中的不精确性具有鲁棒性；且与用全标注实例掩码训练的 Hover-Net 相比，分割性能的下降并不总意味着组织分类等更高阶任务性能的下降。
引用
@article{arxiv.2006.13556,
title = {NINEPINS: Nuclei Instance Segmentation with Point Annotations},
author = {Ting-An Yen and Hung-Chun Hsu and Pushpak Pati and Maria Gabrani and Antonio Foncubierta-Rodríguez and Pau-Choo Chung},
journal= {arXiv preprint arXiv:2006.13556},
year = {2020}
}