从检测响应传播的弱监督细胞实例分割
图像与视频处理
2020-02-26 v1 计算机视觉与模式识别
定量方法
摘要
细胞形状分析在生物医学研究中十分重要。深度学习方法若使用充足且标注了每个细胞边界的训练数据，可分割单个细胞。然而，为多种细胞培养条件准备此类精细标注非常耗时。本文提出一种弱监督方法，可在无细胞区域训练数据的情况下，分割密集条件下相互接触且边界不清的单个细胞区域。我们使用包含多种显微镜捕获的多种细胞类型的若干数据集证明了本方法的有效性。与几种传统方法相比，本方法取得了最高精度。此外，我们展示了本方法可使用荧光图像（其中细胞核被染色作为训练数据）在无任何标注的情况下运行。代码公开于 "https://github.com/naivete5656/WSISPDR"。
引用
@article{arxiv.1911.13077,
title = {Weakly Supervised Cell Instance Segmentation by Propagating from Detection Response},
author = {Kazuya Nishimura and Dai Fei Elmer Ker and Ryoma Bise},
journal= {arXiv preprint arXiv:1911.13077},
year = {2020}
}
备注
9 pages, 3 figures, Accepted in MICCAI 2019