Effective Pseudo-Labeling based on Heatmap for Unsupervised Domain Adaptation in Cell Detection

要約

細胞検出は、生物医学研究における重要なタスクです。
最近では、深層学習手法により、細胞検出のパフォーマンスを向上させることが可能になりました。
ただし、特定の条件 (ソース ドメイン) のトレーニング データでトレーニングされた検出ネットワークは、他の条件 (ターゲット ドメイン) のデータではうまく機能しない場合があり、これはドメイン シフト問題と呼ばれます。
特に、細胞は研究目的に応じてさまざまな条件で培養されます。
条件によって細胞の形状や密度などの特性が変化し、その変化によってドメインシフトの問題が発生することがあります。
ここでは、擬似セル位置ヒートマップを使用したセル検出のための教師なしドメイン適応法を提案します。ここで、セル重心はマップ内のガウス分布のピークにあり、選択的な擬似ラベリングです。
ターゲット ドメインの予測結果では、ピーク位置が正しい場合でも、ピーク周辺の信号分布が非ガウス形状になることがよくあります。
したがって、疑似セル位置ヒートマップは、予測ヒートマップのピーク位置を使用して再生成され、明確なガウス形状になります。
私たちの方法は、不確実性とカリキュラムの学習に基づいて、信頼できる疑似セル位置ヒートマップを選択します。
多数の実験を行い、既存の方法と比較して、異なる条件下での検出性能が向上することを示しました。

要約(オリジナル)

Cell detection is an important task in biomedical research. Recently, deep learning methods have made it possible to improve the performance of cell detection. However, a detection network trained with training data under a specific condition (source domain) may not work well on data under other conditions (target domains), which is called the domain shift problem. In particular, cells are cultured under different conditions depending on the purpose of the research. Characteristics, e.g., the shapes and density of the cells, change depending on the conditions, and such changes may cause domain shift problems. Here, we propose an unsupervised domain adaptation method for cell detection using a pseudo-cell-position heatmap, where the cell centroid is at the peak of a Gaussian distribution in the map and selective pseudo-labeling. In the prediction result for the target domain, even if the peak location is correct, the signal distribution around the peak often has a non-Gaussian shape. The pseudo-cell-position heatmap is thus re-generated using the peak positions in the predicted heatmap to have a clear Gaussian shape. Our method selects confident pseudo-cell-position heatmaps based on uncertainty and curriculum learning. We conducted numerous experiments showing that, compared with the existing methods, our method improved detection performance under different conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google