基于点标注的弱监督深度实例细胞核检测在三维心血管免疫荧光图像中的应用
计算机视觉与模式识别
2022-08-02 v1 人工智能
摘要
在美国及全球范围内，中风和心肌梗死是两大主要死亡原因。其根本原因在于破裂或侵蚀的不稳定性动脉粥样硬化斑块释放血栓，阻塞心脏（心肌梗死）或脑部（中风）血管。临床研究表明，在斑块破裂或侵蚀事件中，斑块成分比病变大小起着更重要的作用。为了确定斑块成分，需要对斑块病变三维心血管免疫荧光图像中的多种细胞类型进行计数。然而，人工计数这些细胞成本高、耗时且容易出现人为错误。这些人工计数的挑战促使我们需要一种自动化的方法来定位和计数图像中的细胞。本研究的目的是开发一种自动方法，以最小的标注工作量准确检测和计数三维免疫荧光图像中的细胞。在本研究中，我们采用弱监督学习方法，使用点标注训练 HoVer-Net 分割模型以检测荧光图像中的细胞核。使用点标注的优势在于其比逐像素标注所需工作量更少。为了使用点标注训练 HoVer-Net 模型，我们采用了一种广泛使用的聚类标注方法，将点标注转换为准确的细胞核二值掩码。传统上，这些方法从点标注生成二值掩码，使目标周围的区域保持未标注状态（在模型训练时通常被忽略）。然而，这些区域可能包含有助于确定细胞间边界的重要信息。因此，我们在这些区域使用熵最小化损失函数，以鼓励模型对未标注区域输出更置信的预测。我们的对比研究表明，使用我们的弱监督方法训练的 HoVer-Net 模型……
引用
@article{arxiv.2208.00098,
title = {Weakly Supervised Deep Instance Nuclei Detection using Points Annotation in 3D Cardiovascular Immunofluorescent Images},
author = {Nazanin Moradinasab and Yash Sharma and Laura S. Shankman and Gary K. Owens and Donald E. Brown},
journal= {arXiv preprint arXiv:2208.00098},
year = {2022}
}