显微镜图像中不完整标签的无缝迭代半监督校正
图像与视频处理
2022-08-09 v1 计算机视觉与模式识别
摘要
体外试验是医疗器械毒性动物试验的替代方法。作为第一步检测细胞，细胞专家在显微镜下根据细胞毒性等级评估细胞生长情况。因此，人体疲劳会导致错误，使得深度学习的应用具有吸引力。由于训练数据标注成本高，需要一种无需手动标注的方法。我们提出不完整标签的无缝迭代半监督校正（Seamless Iterative Semi-Supervised correction of Imperfect labels, SISSI），一种以半监督方式使用含噪声和缺失标注训练目标检测模型的新方法。我们的网络从通过简单图像处理算法生成的噪声标签中学习，这些标签在自训练过程中被迭代校正。由于伪标签中缺失边界框的性质会对训练产生负面影响，我们提出使用无缝克隆在动态生成的类合成图像上进行训练。我们的方法成功为目标检测提供了一种自适应早期学习校正技术。此前应用于分类和语义分割的早期学习校正与类合成图像生成的结合，证明比通常的半监督方法更有效，跨三位不同读取者平均提升 >15% AP 和 >20% AR。我们的代码可在 https://github.com/marwankefah/SISSI 获取。
引用
@article{arxiv.2208.03327,
title = {Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images},
author = {Marawan Elbatel and Christina Bornberg and Manasi Kattel and Enrique Almar and Claudio Marrocco and Alessandro Bria},
journal= {arXiv preprint arXiv:2208.03327},
year = {2022}
}
备注
To appear at MICCAI 2022 Workshop on Domain Adaptation and Representation Transfer (DART)