SYNTA：一种基于深度学习的肌肉组织病理学图像分析中利用照片级真实合成数据的新方法
图像与视频处理
2024-01-04 v3 计算机视觉与模式识别
机器学习
摘要
人工智能（AI）、机器学习与深度学习（DL）方法在生物医学图像分析领域正变得愈发重要。然而，要发挥此类方法的全部潜力，需要具有代表性的实验获取图像作为训练数据，其中包含大量手动标注的对象。在此我们引入 SYNTA（合成数据）作为一种新方法，用于生成合成的、照片级真实的且高度复杂的生物医学图像，作为 DL 系统的训练数据。我们在组织切片中肌纤维与结缔组织分析的背景下展示了该方法的通用性。我们证明，仅使用合成训练数据，无需手动标注，即可在先前未见的真实世界数据上执行稳健且达专家水平的分割任务。作为一种完全参数化技术，我们的方法提供了一种可解释、可控的替代方案来取代生成对抗网络（GAN），并有望显著加速显微术及其他领域中多种生物医学应用中的定量图像分析。
引用
@article{arxiv.2207.14650,
title = {SYNTA: A novel approach for deep learning-based image analysis in muscle histopathology using photo-realistic synthetic data},
author = {Leonid Mill and Oliver Aust and Jochen A. Ackermann and Philipp Burger and Monica Pascual and Katrin Palumbo-Zerr and Gerhard Krönke and Stefan Uderhardt and Georg Schett and Christoph S. Clemen and Rolf Schröder and Christian Holtzhausen and Samir Jabari and Andreas Maier and Anika Grüneboom},
journal= {arXiv preprint arXiv:2207.14650},
year = {2024}
}