利用空间连续性从电子显微镜图像中半监督分割线粒体
计算机视觉与模式识别
2022-06-16 v1 机器学习
摘要
线粒体的形态在介导其生理功能中起着关键作用。从三维电子显微镜（EM）图像中准确分割线粒体，对于在纳米尺度上定量表征其形态至关重要。针对该任务开发的完全监督深度学习模型性能优异，但需要大量标注数据用于训练。然而，由于EM图像体量大、对比度有限且信噪比（SNRs）低，其人工标注费力且耗时。为克服这一挑战，我们提出了一种半监督深度学习模型，通过利用标记与未标记图像中线粒体结构、形态与上下文信息的空间连续性来分割线粒体。我们使用随机分段仿射变换合成全面且逼真的线粒体形态以增广训练数据。在EPFL数据集上的实验表明，我们的模型取得了与最先进完全监督模型相当的性能，但仅需约20%的标注训练数据。我们的半监督模型具有通用性，也可准确分割EM图像中其他空间连续结构。本研究的数据与代码公开于 https://github.com/cbmi-group/MPP。
引用
@article{arxiv.2206.02392,
title = {Semi-Supervised Segmentation of Mitochondria from Electron Microscopy Images Using Spatial Continuity},
author = {Yunpeng Xiao and Youpeng Zhao and Ge Yang},
journal= {arXiv preprint arXiv:2206.02392},
year = {2022}
}
备注
4 pages of main text, 5 pages of supplementary material and 1 page of references