利用稀疏点标注的电子显微镜弱监督跨域分割

从电子显微镜（EM）图像中准确分割细胞器实例在许多神经科学研究中起着重要作用。然而，实际场景通常面临标注成本高、标签稀缺以及域差异大的问题。虽然假设目标数据无标注的无监督域适应（UDA）有望缓解这些挑战，但其在复杂分割任务上的性能仍远未达到实用水平。为了解决这些问题，我们研究了一种标注效率极高的弱监督方式，该方式假设在目标训练图像中仅对一小部分目标实例子集标注稀疏中心点。为了在仅有部分点标注的情况下实现准确分割，我们引入实例计数与中心检测作为辅助任务，并设计了一个多任务学习框架，以利用计数、检测与分割之间的相关性，这些任务均具有部分或无监督。基于这三个任务的不同域不变性，我们利用一种新颖的软一致性损失强制计数估计作为中心检测的全局先验，从而进一步指导逐像素分割。为了进一步弥补标注的稀疏性，我们开发了用于标签增强的跨位置剪切-粘贴策略以及基于熵的伪标签选择。实验结果突出表明，仅使用极弱的标注（例如 15% 的稀疏点）进行模型训练，所提出的模型就能显著优于 UDA 方法，并产生与有监督对应方法相当的性能。我们的模型在验证中展现出的高鲁棒性以及稀疏点标注对专家知识的低要求，进一步提升了该模型的潜在应用价值。