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

要約

人工知能（AI）、機械学習、深層学習（DL）手法は、生物医学画像解析の分野でますます重要性を増している。しかし、このような手法の可能性を最大限に引き出すには、人手でアノテーションされたオブジェクトを相当数含む実験的に取得した代表的な画像を学習データとして必要とします。本発表では、画像解析システムの学習データとして、フォトリアリスティックで複雑な生体画像を生成するための新しいアプローチであるSYNTA (合成データ) を紹介します。我々は、組織切片における筋繊維と結合組織の解析という文脈で、本アプローチの汎用性を示す。我々は、合成訓練データのみを用いて、手動によるアノテーションを必要とせず、未見の実世界データに対して頑健かつエキスパートレベルのセグメンテーションタスクを実行可能であることを実証している。本手法は、Generative Adversarial Networks (GANs)に代わる、解釈可能で制御可能な完全パラメトリック手法であり、顕微鏡検査やそれ以外の様々な生物医学アプリケーションにおける定量画像解析を大幅に加速させる可能性を持っている。

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, DeepL