NuClick：用于显微图像交互式分割的深度学习框架
计算机视觉与模式识别
2020-07-08 v2 应用统计
摘要
目标分割是计算病理学工作流程中的重要步骤。基于深度学习的模型通常需要大量标注数据才能进行精确可靠的预测。然而，收集标注数据成本高昂，因为它通常需要专家知识，特别是在医学成像领域，其标注是一位或多位人类专家进行耗时分析的结果。由于细胞核、细胞和腺体是计算病理学/细胞学中下游分析的基本对象，在本文中，我们提出了一种简单的基于 CNN 的方法来加速这些对象的标注收集，该方法只需标注者进行最少的交互。我们表明，对于组织学和细胞学图像中的细胞核和细胞，在每个对象内部点击一次就足以让 NuClick 产生精确的标注。对于腺体等多细胞结构，我们提出了一种新方法，向 NuClick 提供一条波浪线作为引导信号，使其能够分割腺体边界。这些监督信号作为辅助输入与 RGB 通道一起馈入网络。通过详细的实验，我们表明 NuClick 能适应目标尺度，对用户输入的变化具有鲁棒性，能适应新领域，并提供可靠的标注。在 NuClick 生成的掩码上训练的实例分割模型在 LYON19 挑战赛中获得了第一名。作为我们框架的示例输出，我们发布了两个数据集：1) IHC 图像中的淋巴细胞标注数据集，以及 2) 血涂片图像中分割的白细胞数据集。
引用
@article{arxiv.2005.14511,
title = {NuClick: A Deep Learning Framework for Interactive Segmentation of Microscopy Images},
author = {Navid Alemi Koohbanani and Mostafa Jahanifar and Neda Zamani Tajadin and Nasir Rajpoot},
journal= {arXiv preprint arXiv:2005.14511},
year = {2020}
}