利用深度学习不确定性估计分割带缺失标记的荧光显微镜图像
计算机视觉与模式识别
2021-01-28 v1 机器学习
图像与视频处理
摘要
荧光显微镜图像包含多个通道，各通道指示对样本染色的标记。由于实践中使用了众多不同的标记组合，基于深度学习的分割模型难以应用，因这类模型要求所有训练样本及未来推理时均具备预定义的通道组合。近期工作采用模态注意力方法规避此问题，以在任何可能的标记组合下均有效。然而，对于标记训练集中不存在的组合，若推理时遇到，则无法估计潜在的分割质量。缺乏此估计，不仅无从质量保证，亦不知应将额外成像与标记工作置于何处。本文提出一种在无标记图像上估计分割质量的方法：（i）估计卷积神经网络用于图像分割的偶然与认知不确定性，（ii）训练随机森林模型通过回归将不确定性特征解释至相应分割指标。此外，我们证明在训练中包含这些不确定性度量可提升分割性能。
引用
@article{arxiv.2101.11476,
title = {Utilizing Uncertainty Estimation in Deep Learning Segmentation of Fluorescence Microscopy Images with Missing Markers},
author = {Alvaro Gomariz and Raphael Egli and Tiziano Portenier and César Nombela-Arrieta and Orcun Goksel},
journal= {arXiv preprint arXiv:2101.11476},
year = {2021}
}
备注
Accepted at the IEEE International Symposium on Biomedical Imaging (ISBI) 2021. 4 pages and 4 figures