基于协同知识共享的点监督单细胞分割
计算机视觉与模式识别
2023-07-12 v2 定量方法
摘要
尽管深度学习方法性能优越，但它们往往存在需要大规模精标注训练数据的缺点。为此，近期文献中出现了大量旨在减轻标注负担的研究工作。本文关注单细胞分割模型的弱监督训练设定，其中唯一可用的训练标签是个别细胞的粗略位置。由于生物医学文献中广泛存在核复染数据，可从中以编程方式推导出细胞位置，因此该具体问题具有实际意义。更具普遍意义的是一种称为协同知识共享的自学习方法的提出，它与更为熟知的一致性学习方法相关但有所不同。该策略通过在主模型与一个极轻量的协作模型之间共享知识来实现自学习。重要的是，这两个模型在架构、容量和模型输出上完全不同：在我们的案例中，主模型从目标检测的角度处理分割问题，而协作模型则从语义分割的角度处理。我们通过在 LIVECell（一个大型明场图像单细胞分割数据集）和 A431 数据集（一个荧光图像数据集，其位置标签由核复染数据自动生成）上开展实验来评估该策略的有效性。实现代码见 https://github.com/jiyuuchc/lacss。
引用
@article{arxiv.2304.10671,
title = {Point-supervised Single-cell Segmentation via Collaborative Knowledge Sharing},
author = {Ji Yu},
journal= {arXiv preprint arXiv:2304.10671},
year = {2023}
}