SelfAdapt: 细胞分割模型的无监督域自适应
计算机视觉与模式识别
2025-08-18 v1 机器学习
摘要
深度神经网络已成为生物医学实例分割的首选方法。Cellpose 等通用模型在多种细胞数据上展现出最先进的性能，但其在与训练数据不同的域上的有效性往往会降低。虽然监督微调可以解决这一限制，但需要可能不易获取的标注数据。本工作提出 SelfAdapt，一种无需标注即可适应预训练细胞分割模型的方法。本方法基于学生-教师增强一致性训练，引入 L2-SP 正则化和无标签停止准则。我们在 LiveCell 和 TissueNet 数据集上评估本方法，相对于基线 Cellpose，AP0.5 的相对提升高达 29.64%。此外，我们证明本无监督自适应可以进一步提升此前通过监督微调得到的模型。我们将 SelfAdapt 作为 Cellpose 框架的一个易于使用的扩展发布。本方法的代码公开可用，地址为 https://github.com/Kainmueller-Lab/self_adapt。
引用
@article{arxiv.2508.11411,
title = {SelfAdapt: Unsupervised Domain Adaptation of Cell Segmentation Models},
author = {Fabian H. Reith and Jannik Franzen and Dinesh R. Palli and J. Lorenz Rumberger and Dagmar Kainmueller},
journal= {arXiv preprint arXiv:2508.11411},
year = {2025}
}
备注
8 pages, 3 figures. To appear in the proceedings of the BioImage Computing (BIC) Workshop @ ICCVW 2025. This is the accepted author manuscript (camera-ready version)