自监督与有监督训练在类器官图像分割中的对比
计算机视觉与模式识别
2023-11-21 v1 机器学习
摘要
在数字显微镜领域，标注相关数据的过程可能既耗时又尤其昂贵，因为这需要技术技能与人类专家知识。因此，大量显微镜图像数据集保持未标注状态，阻碍了其利用深度学习算法的有效利用。近年来已表明可从无标签数据中提取大量相关信息。自监督学习（SSL）是一种基于在类似于主任务且无需标签的代理任务下学习内在特征的有前景方案。训练结果被迁移至主任务——在我们的案例中为图像分割。一个 ResNet50 U-Net 首先被训练用于利用结构相似性指数度量（SSIM）单独以及 SSIM 结合 L1 损失从增强图像中恢复肝祖细胞类器官图像。编码器与解码器被串联训练。权重被迁移至另一个为分割设计的 U-Net 模型，其编码器权重冻结，使用二元交叉熵、Dice 和交并比（IoU）损失。为比较，我们使用相同 U-Net 架构训练两个有监督模型，一个利用 ResNet50 编码器以及一个简单 CNN。结果显示，使用 25% 像素丢弃或图像模糊增强的自监督学习模型在使用 IoU 损失时优于其他增强技术。当主任务仅以 114 张图像训练时，自监督学习方法以 0.85 的 F1 分数优于有监督方法，且具有更高稳定性，相比之下有监督方法得分为 F1=0.78。此外，当以更大数据集（1,000 张图像）训练时，自监督学习仍能达到更好性能，取得 0.92 的 F1 分数，对比有监督方法的 0.85 分。
引用
@article{arxiv.2311.11198,
title = {Self-Supervised Versus Supervised Training for Segmentation of Organoid Images},
author = {Asmaa Haja and Eric Brouwer and Lambert Schomaker},
journal= {arXiv preprint arXiv:2311.11198},
year = {2023}
}