用于显微镜细胞检测的卷积神经网络与压缩感知端到端训练
计算机视觉与模式识别
2018-10-09 v1
摘要
从显微镜图像中自动进行细胞检测与定位是生物医学研究和临床实践中的重要任务。本文设计了一种新的细胞检测与定位算法，该算法将深度卷积神经网络（CNN）与压缩感知（CS）或稀疏编码（SC）相结合以进行端到端训练。我们还首次推导出一种反向传播规则，它适用于训练任何实现稀疏编码恢复层的算法。我们算法背后的关键观察是，细胞检测任务在计算机视觉中属于点目标检测任务，其中细胞中心（即点目标）仅占图像总像素的极小部分。因此，我们可以应用压缩感知（或等效的稀疏编码）在投影空间中紧凑表示可变数量的细胞。随后，CNN 从输入的显微镜图像中回归该压缩向量。得益于 SC/CS 恢复算法（L1 优化）能够从 CNN 的输出中恢复稀疏的细胞位置。我们端到端地训练整个处理流程，并证明端到端训练相比将 CNN 与 CS 恢复层分开训练的范式提供了准确性提升。我们的算法设计还自然地考虑了训练模型的集成平均形式，以进一步提升细胞检测精度。我们在基准数据集上验证了算法并取得了优异性能。
引用
@article{arxiv.1810.03075,
title = {Training Convolutional Neural Networks and Compressed Sensing End-to-End for Microscopy Cell Detection},
author = {Yao Xue and Gilbert Bigras and Judith Hugh and Nilanjan Ray},
journal= {arXiv preprint arXiv:1810.03075},
year = {2018}
}