Edge-Based Self-Supervision for Semi-Supervised Few-Shot Microscopy Image Cell Segmentation

要約

ディープニューラルネットワークは現在、顕微鏡画像のセルセグメンテーションに有望な結果を提供しているが、大規模なラベル付きデータベースを必要とし、これはコストと時間のかかるプロセスである。本研究では、自己教師付き学習と半教師付き学習を組み合わせることで、ラベリングの必要性を緩和する。本論文では、ラベル付けされていない画像の自己教師学習と、少数のラベル付き画像の教師学習を組み合わせた、エッジベースマップの予測学習を提案する。実験では、数枚の顕微鏡画像のセルセグメンテーションのベンチマークを評価し、わずかな数のラベル付き画像（例えば、元の学習セットの10%）で、我々のアプローチが1〜10枚の画像に対して完全にラベル付きデータベースを用いた場合と同様の性能を達成できることを示す。我々のコードと学習済みモデルは一般に公開されています。

要約(オリジナル)

Deep neural networks currently deliver promising results for microscopy image cell segmentation, but they require large-scale labelled databases, which is a costly and time-consuming process. In this work, we relax the labelling requirement by combining self-supervised with semi-supervised learning. We propose the prediction of edge-based maps for self-supervising the training of the unlabelled images, which is combined with the supervised training of a small number of labelled images for learning the segmentation task. In our experiments, we evaluate on a few-shot microscopy image cell segmentation benchmark and show that only a small number of annotated images, e.g. 10% of the original training set, is enough for our approach to reach similar performance as with the fully annotated databases on 1- to 10-shots. Our code and trained models is made publicly available

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL