自指导：一种用于训练自监督 U-net 以少样本学习生物人工胶囊分割的新深度学习流程
计算机视觉与模式识别
2023-01-10 v3 机器学习
摘要
背景：在显微成像中对生物人工胶囊等微观结构进行准确分割，是计算机辅助理解重要生物力学现象的前提。最先进的分割性能由深度神经网络及相关数据驱动方法实现。仅从少量标注样本训练这些网络具有挑战性，而生成提供监督的手动标注图像又十分繁琐。方法：近来，自监督（即设计提供合成或间接监督的神经网络流程）已被证明能显著提升少样本训练模型的泛化性能。本文的目标是引入这样一种神经网络流程用于微胶囊图像分割。我们的方法利用了这些图像内容较为简单的特点，使得受训网络可由先前在合成生成的损坏/正确区域掩码对上训练的裁判网络进行指导。结果：我们研究了具有挑战性的实验设置。这些设置涉及仅 3 到 10 张标注图像以及中等规模的未标注图像。在一个生物人工胶囊数据集中，我们的方法持续且大幅提高了准确率。我们还表明，学习到的裁判网络可迁移至另一个胶质母细胞瘤细胞数据集，并且可与数据增强策略高效结合。结论：实验结果表明，所提流程获得了非常显著的准确率提升，由此得出结论：本文引入的自监督机制有潜力替代人工标注。
引用
@article{arxiv.2205.10840,
title = {Self-mentoring: a new deep learning pipeline to train a self-supervised U-net for few-shot learning of bio-artificial capsule segmentation},
author = {Arnaud Deleruyelle and Cristian Versari and John Klein},
journal= {arXiv preprint arXiv:2205.10840},
year = {2023}
}