SYNTA: A novel approach for deep learning-based image analysis in muscle histopathology using photo-realistic synthetic data

要約

生物医学画像解析の分野では、人工知能 (AI)、機械学習、ディープ ラーニング (DL) の手法がますます重要になっています。
ただし、このような方法の可能性を最大限に活用するには、トレーニング データとして、手動で注釈を付けた多数のオブジェクトを含む、実験的に取得した画像の代表的な数が必要です。
ここでは、DL システムのトレーニング データとして、合成、フォトリアリスティック、および非常に複雑な生物医学画像を生成するための新しいアプローチとして、SYNTA (合成データ) を紹介します。
組織切片における筋線維および結合組織分析のコンテキストで、アプローチの多様性を示します。
合成トレーニング データのみを使用した手動の注釈を必要とせずに、これまで目にしたことのない現実世界のデータに対して堅牢で専門家レベルのセグメンテーション タスクを実行できることを示します。
完全にパラメトリックな手法であるため、私たちのアプローチはGenerative Adversarial Networks（GAN）に代わる解釈可能で制御可能な代替手段を提供し、顕微鏡およびそれ以降のさまざまな生物医学アプリケーションで定量的画像分析を大幅に加速する可能性があります.

要約(オリジナル)

Artificial intelligence (AI), machine learning, and deep learning (DL) methods are becoming increasingly important in the field of biomedical image analysis. However, to exploit the full potential of such methods, a representative number of experimentally acquired images containing a significant number of manually annotated objects is needed as training data. Here we introduce SYNTA (synthetic data) as a novel approach for the generation of synthetic, photo-realistic, and highly complex biomedical images as training data for DL systems. We show the versatility of our approach in the context of muscle fiber and connective tissue analysis in histological sections. We demonstrate that it is possible to perform robust and expert-level segmentation tasks on previously unseen real-world data, without the need for manual annotations using synthetic training data alone. Being a fully parametric technique, our approach poses an interpretable and controllable alternative to Generative Adversarial Networks (GANs) and has the potential to significantly accelerate quantitative image analysis in a variety of biomedical applications in microscopy and beyond.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google