面向 cryo-ET 亚体积分割的体素级无监督域适应方法——Vox-UDA
计算机视觉与模式识别
2024-07-02 v2
摘要
Cryo-ET 是一种 3D 成像技术，旨在以近原子分辨率研究大分子结构。最近的体积分割方法在生物领域引起了广泛关注。然而，现有方法严重依赖手动标记数据，这需要高度专业的技能，从而阻碍了对 cryo-ET 图像的全监督方法的应用。一些无监督域适应 (UDA) 方法旨在使用未标记数据提高分割网络性能。然而，直接将这些方法应用于 cryo-ET 图像分割任务仍具有挑战性，其主要挑战在于：1)源数据通常通过仿真获得，包含一定程度的噪声，而目标数据直接从真实场景中收集，具有不可预测的噪声水平。2)用于训练的源数据通常由已知大分子构成，而目标域数据常为未知大分子，导致模型倾向于这些已知大分子，从而产生域迁移问题。为此，本文引入了第一个面向 cryo-ET 亚体积分割的体素级无监督域适应方法，称为 Vox-UDA。Vox-UDA 包含一个噪声生成模块，用于在源数据集中模拟目标样本的噪声，以实现跨噪声水平的适应。此外，我们提出了基于改进双边滤波器的去噪伪标签策略，以缓解域迁移问题。在模拟和真实 cryo-ET 亚体积数据集上的实验结果表明，我们所提出的方法优于最先进的 UDA 方法。
关键词
引用
@article{arxiv.2406.18610,
title = {Vox-UDA: Voxel-wise Unsupervised Domain Adaptation for Cryo-Electron Subtomogram Segmentation with Denoised Pseudo Labeling},
author = {Haoran Li and Xingjian Li and Jiahua Shi and Huaming Chen and Bo Du and Daisuke Kihara and Johan Barthelemy and Jun Shen and Min Xu},
journal= {arXiv preprint arXiv:2406.18610},
year = {2024}
}
备注
11 pages