基于目标性正则化的显微镜图像与体数据点监督分割
计算机视觉与模式识别
2021-03-22 v2
摘要
标注因其所需的专业知识和工作量而成为显微镜图像与体数据语义分割的主要障碍。本工作仅以每个实例单个点作为训练标注来训练语义分割网络，这是弱监督的极端情形，大幅减轻了标注负担。我们的方法有两个关键方面：（1）我们利用单个种子构建图论软分割，用作训练中的正则化项；（2）我们使用目标函数从所构建的软标签中学习。我们在数字病理学中具有挑战性的数据集上，针对点监督语义分割的当前最优方法取得了有竞争力的结果。最后，我们将方法扩展到三维荧光显微镜体数据的点监督分割，免除了繁重的手动体数据勾画。我们的代码已公开可用。
引用
@article{arxiv.2103.05617,
title = {Point-supervised Segmentation of Microscopy Images and Volumes via Objectness Regularization},
author = {Shijie Li and Neel Dey and Katharina Bermond and Leon von der Emde and Christine A. Curcio and Thomas Ach and Guido Gerig},
journal= {arXiv preprint arXiv:2103.05617},
year = {2021}
}
备注
Accepted to IEEE ISBI 2021. Code available at https://github.com/CJLee94/Point-Supervised-Segmentation