先验信息引导的正则化深度学习用于细胞核检测
图像与视频处理
2019-01-23 v1 机器学习
机器学习
摘要
由于细胞图像质量的局限以及核形态的多样性（即细胞核形状、大小各异且多个细胞核间存在重叠），细胞核检测是一项具有挑战性的研究课题。这是一持久受关注的话题，近期深度学习方法已展现出可喜进展。这类方法利用带已知标注核位置的输入图像训练集来训练卷积神经网络（CNNs）。许多此类方法辅以空间或形态学处理。借助领域专家协助制备的一组典型细胞核形状，我们开发了一种称为形状先验卷积神经网络（SP-CNN）的新方法。我们进一步扩展该网络，引入形状先验（SP）层并使其可训练（即可优化）。我们称此网络为可调 SP-CNN（TSP-CNN）。综上，我们提出了可经由两部分融入核形状“预期行为”的新网络结构：执行核检测的可学习层，以及以先验信息引导学习的固定处理部分。在分析上，我们构造了两个新的正则化项，分别针对：1）学习形状，2）减少假阳性同时鼓励在细胞核边界内检测。在两个具挑战性数据集上的实验结果表明，所提 SP-CNN 与 TSP-CNN 优于当前最优的替代方法。
引用
@article{arxiv.1901.07061,
title = {Prior Information Guided Regularized Deep Learning for Cell Nucleus Detection},
author = {Mohammad Tofighi and Tiantong Guo and Jairam K. P. Vanamala and Vishal Monga},
journal= {arXiv preprint arXiv:1901.07061},
year = {2019}
}
备注
Accepted for Publication