用于细胞事件检测的事件时间长度半监督估计
计算机视觉与模式识别
2019-09-24 v1
摘要
细胞视频中的细胞事件检测对于长时间监测细胞行为至关重要。深度学习方法在细胞事件检测中表现出巨大成功，因其相比传统方法能捕捉细胞过程更具判别性的特征。特别是卷积长短期记忆（LSTM）模型利用视频序列中可观测的细胞事件变化，是细胞视频中有丝分裂检测的最先进方法。然而，其局限在于输入序列长度的确定常凭经验进行，且需要昂贵的 large 标注训练数据集。我们提出一种用于有丝分裂检测的最优长度检测的半监督新方法，有两个关键贡献：（i）无监督步骤，用于学习细胞正常阶段的空间与时间位置并近似细胞事件时间长度的分布；（ii）从该分布推断每个特定视频训练 LSTM 模型的最优输入序列长度与最小标注帧数的步骤。我们在相差显微镜视频中密集堆积干细胞的分裂检测中评估了我们的方法。我们的实验数据证明，增加 LSTM 的输入序列长度可能导致性能下降。我们的结果还表明，通过近似被测视频的最优输入序列长度，仅用 18 帧标注帧训练的模型取得了 0.880-0.907 的 F1 分数，比其他已发表方法使用完整 110 帧训练标注集的结果高 10%。
引用
@article{arxiv.1909.09946,
title = {Semi-supervised estimation of event temporal length for cell event detection},
author = {Ha Tran Hong Phan and Ashnil Kumar and David Feng and Michael Fulham and Jinman Kim},
journal= {arXiv preprint arXiv:1909.09946},
year = {2019}
}