分割与扩展：一种用于弱监督细胞实例分割的推理时改进方法
计算机视觉与模式识别
2022-03-15 v3 机器学习
图像与视频处理
摘要
我们考虑从苏木精和伊红（H&E）染色切片中在弱监督下分割细胞核实例的问题。尽管近期大多数工作聚焦于提升分割质量，但这通常不足以应对聚集在一起或尺寸较小的细胞实例的实例分割。在本工作中，我们提出一种两步后处理流程——分割与扩展（Split and Expand），直接改进从分割图到实例的转换。在分割步骤中，我们以细胞中心预测为指导，通过高斯混合模型聚类将分割图中的细胞团块拆分为单个细胞实例。在扩展步骤中，我们利用细胞中心预测（由于其使用可靠的点标注训练，往往更一致地捕捉小细胞）找出缺失的小细胞，并利用逐层相关性传播（LRP）解释结果将这些细胞中心预测扩展为细胞实例。我们的分割与扩展后处理流程无需训练，且仅在推理时执行。为了进一步提升方法性能，提出了一种基于 LRP 的特征重加权损失。我们在 MoNuSeg 和 TNBC 数据集上测试了我们的流程，并表明所提方法在对象级指标上提供了统计显著的改进。我们的代码将公开。
引用
@article{arxiv.2007.10817,
title = {Split and Expand: An inference-time improvement for Weakly Supervised Cell Instance Segmentation},
author = {Lin Geng Foo and Rui En Ho and Jiamei Sun and Alexander Binder},
journal= {arXiv preprint arXiv:2007.10817},
year = {2022}
}