Learning with minimal effort: leveraging in silico labeling for cell and nucleus segmentation

要約

ディープラーニングは、前例のない品質で核または細胞のセグメンテーションを実行する強力な方法を提供します。
ただし、これらの方法は通常、手動で注釈を付けた画像の大規模なトレーニング セットを必要とし、生成するのに手間と費用がかかります。
このホワイト ペーパーでは、セグメンテーション タスクの事前トレーニング スキームとして In Silico Labeling (ISL) を使用することを提案します。
戦略は、蛍光標識された画像 (DAPI や CellMask など) に沿って、ラベルのない顕微鏡画像 (明視野や位相コントラストなど) を取得することです。
次に、モデルをトレーニングして、ラベルのない顕微鏡画像から蛍光標識された画像を予測します。
いくつかのトレーニング セットのサイズ間でセグメンテーションのパフォーマンスを比較することにより、このようなスキームが必要な注釈の数を劇的に削減できることを示します。

要約(オリジナル)

Deep learning provides us with powerful methods to perform nucleus or cell segmentation with unprecedented quality. However, these methods usually require large training sets of manually annotated images, which are tedious and expensive to generate. In this paper we propose to use In Silico Labeling (ISL) as a pretraining scheme for segmentation tasks. The strategy is to acquire label-free microscopy images (such as bright-field or phase contrast) along fluorescently labeled images (such as DAPI or CellMask). We then train a model to predict the fluorescently labeled images from the label-free microscopy images. By comparing segmentation performance across several training set sizes, we show that such a scheme can dramatically reduce the number of required annotations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google