高度类别不平衡的全标注 3D 体积生物医学图像语义分割及预训练分割网络至另一全无标注生物医学 3D 图像栈的无监督领域适配
计算机视觉与模式识别
2020-04-07 v1
摘要
我们工作的目标是对 3D 生物医学体积数据执行像素标签语义分割。对于大型生物医学数据集，人工标注总是困难的。因此，我们考虑两种情况：一个数据集是全标注的，另一个数据集被假设为全无标注。我们首先在全标注的各向同性生物医学源数据（FIBSEM）上执行语义分割，并尝试将训练好的模型用于分割目标无标注数据集（SNEMI3D），该数据集在细胞体类型和其他细胞成分方面与源数据集共享一些相似性。尽管细胞成分在大小和形状上有所不同。因此，在本文中，我们在无监督领域适配的背景下提出了一种新方法，将目标体积数据的每个像素分类为细胞边界和细胞体。此外，我们还提出了一种新方法，在源域中伴随训练原始图像的相应逐像素标签图进行像素级语义分割时，对训练图像中的不同像素赋予非均匀权重。我们使用了从给定真值标签图检索得到的熵图或距离变换矩阵，这有助于克服医学图像数据中的类别不平衡问题，其中细胞边界极细，因此极易被误分类为非边界。
引用
@article{arxiv.2004.02748,
title = {Semantic Segmentation of highly class imbalanced fully labelled 3D volumetric biomedical images and unsupervised Domain Adaptation of the pre-trained Segmentation Network to segment another fully unlabelled Biomedical 3D Image stack},
author = {Shreya Roy and Anirban Chakraborty},
journal= {arXiv preprint arXiv:2004.02748},
year = {2020}
}
备注
6 pages and 6 figures. Submitting to ICPR2020