One-shot and Partially-Supervised Cell Image Segmentation Using Small Visual Prompt

要約

タイトル：小規模な視覚プロンプトを用いたワンショットおよび部分的に監視された細胞画像セグメンテーション

要約：
– AIのセマンティックセグメンテーションは、深層学習を使用して顕微鏡による細胞画像を解析する重要な技術である。
– しかし、訓練には大量の画像と正解ラベルが必要であるため、データが不足している場合には問題となる。
– こうした問題に対処するため、本論文では効率的な学習フレームワークを提案し、1つのトレーニングサンプルのみでも学習可能なワンショットセグメンテーションと、一部の画像にのみ注釈を付ける部分監視セグメンテーションの2つの学習戦略を提案している。
– さらに、最近のプロンプト学習に着想を得て小さなプロンプト画像を使用した革新的なセグメンテーション方法を導入し、細胞画像のみで構成された事前学習済みモデルを使用して、ターゲット画像にプロンプトペアの情報を教えることで、注釈コストを軽減しながら効率的な学習を可能にする。
– 3種類の微小細胞画像データセットで実験を行った結果、提案手法が従来手法と比較して、Dice係数(DSC)を改善することが確認された。

要点：
– 深層学習による顕微鏡による細胞画像のセマンティックセグメンテーションは重要な技術。
– 訓練には大量の画像と正解ラベルが必要であり、データの不足は問題となる。
– 本論文では、ワンショットセグメンテーションと部分監視セグメンテーションの2つの学習戦略を提案し、小さなプロンプト画像を使用した革新的なセグメンテーション方法を導入している。
– 提案手法では、注釈コストを軽減しながら効率的な学習を実現し、3種類の微小細胞画像データセットでDSCを改善することが確認された。

要約(オリジナル)

Semantic segmentation of microscopic cell images using deep learning is an important technique, however, it requires a large number of images and ground truth labels for training. To address the above problem, we consider an efficient learning framework with as little data as possible, and we propose two types of learning strategies: One-shot segmentation which can learn with only one training sample, and Partially-supervised segmentation which assigns annotations to only a part of images. Furthermore, we introduce novel segmentation methods using the small prompt images inspired by prompt learning in recent studies. Our proposed methods use a pre-trained model based on only cell images and teach the information of the prompt pairs to the target image to be segmented by the attention mechanism, which allows for efficient learning while reducing the burden of annotation costs. Through experiments conducted on three types of microscopic cell image datasets, we confirmed that the proposed method improved the Dice score coefficient (DSC) in comparison with the conventional methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI