标注哪个像素：一种标签高效的细胞核分割框架
计算机视觉与模式识别
2022-12-21 v1
摘要
近来，深度神经网络因需要大量标注样本，已广泛应用于 H&E 染色病理图像的细胞核实例分割。然而，对于通常包含相似且冗余模式的细胞核图像数据集，标注所有像素是低效且不必要的。尽管已有针对细胞核分割的无监督与半监督学习方法，但极少有工作深入探讨通过选择性标注样本来减轻标注负担。因此，本文提出一种新颖的全身细胞核分割框架，其仅选取少量图像块进行标注，从所选样本扩充训练集，并以半监督方式实现细胞核分割。在该框架中，我们首先提出一种基于一致性的图像块选择方法，以确定哪些图像块对训练最有益；随后引入带分量判别器的条件单图像 GAN，以合成更多训练样本；最后，所提框架利用上述扩充样本训练已有的分割模型。实验结果表明，在部分基准上标注少于 5% 的像素时，所提方法可达到与全监督基线同等的性能。
引用
@article{arxiv.2212.10305,
title = {Which Pixel to Annotate: a Label-Efficient Nuclei Segmentation Framework},
author = {Wei Lou and Haofeng Li and Guanbin Li and Xiaoguang Han and Xiang Wan},
journal= {arXiv preprint arXiv:2212.10305},
year = {2022}
}
备注
IEEE TMI 2022, Released code: https://github.com/lhaof/NuSeg