基于先验自激活图的无监督密集细胞核检测与分割用于组织学图像
计算机视觉与模式识别
2022-10-17 v1 人工智能
摘要
有监督深度学习模型在医学图像分割中的成功依赖于详细的标注。然而，劳动密集型的手动标注成本高且效率低，尤其在密集目标分割中。为此，我们提出了一种基于自监督学习的方法，带有先验自激活模块（PSM），其从输入图像生成自激活图以避免标注成本，并进一步为下游任务生成伪掩模。具体而言，我们首先使用自监督学习训练神经网络，并利用网络浅层中的梯度信息生成自激活图。随后，引入一个语义引导生成器作为流水线，将 PSM 的视觉表示转换为用于下游任务的像素级语义伪掩模。此外，采用由细胞核检测网络和细胞核分割网络组成的两阶段训练模块以实现最终分割。实验结果显示在两个公开病理数据集上的有效性。与其他全监督和弱监督方法相比，我们的方法无需任何手动标注即可取得有竞争力的性能。
引用
@article{arxiv.2210.07862,
title = {Unsupervised Dense Nuclei Detection and Segmentation with Prior Self-activation Map For Histology Images},
author = {Pingyi Chen and Chenglu Zhu and Zhongyi Shui and Jiatong Cai and Sunyi Zheng and Shichuan Zhang and Lin Yang},
journal= {arXiv preprint arXiv:2210.07862},
year = {2022}
}