Multi-domain learning CNN model for microscopy image classification

要約

タイトル：顕微鏡画像分類のためのマルチドメイン学習CNNモデル
要約：
– 顕微鏡画像の種類が多様であり、適切なアーキテクチャを選択し、学習するための多大な努力が必要である。
– 単一ドメインモデルではなく、多くの画像ドメインに適用できるモデルを設計することが重要である。
– 本論文では、異なる種類や内容を持つ顕微鏡画像の分類のためのマルチドメイン学習アーキテクチャを提案している。
– 本研究では、深さ単位分離畳み込みとインセプションモジュールを組み合わせたコンパクトなモデル「Mobincep」を開発し、新しい最適化技術を導入している。
– 本モデルは、公開されている3つの異なるデータセットで評価され、単一ドメイン学習モードとマルチドメイン学習モードでの性能が比較されている。
– 提案された分類器は、最先端の結果を上回り、限られたラベル付きデータに対して堅牢である。また、新しい実験に切り替える際に新しいネットワークを設計する負担を軽減する。

要約(オリジナル)

For any type of microscopy image, getting a deep learning model to work well requires considerable effort to select a suitable architecture and time to train it. As there is a wide range of microscopes and experimental setups, designing a single model that can apply to multiple imaging domains, instead of having multiple per-domain models, becomes more essential. This task is challenging and somehow overlooked in the literature. In this paper, we present a multi-domain learning architecture for the classification of microscopy images that differ significantly in types and contents. Unlike previous methods that are computationally intensive, we have developed a compact model, called Mobincep, by combining the simple but effective techniques of depth-wise separable convolution and the inception module. We also introduce a new optimization technique to regulate the latent feature space during training to improve the network’s performance. We evaluated our model on three different public datasets and compared its performance in single-domain and multiple-domain learning modes. The proposed classifier surpasses state-of-the-art results and is robust for limited labeled data. Moreover, it helps to eliminate the burden of designing a new network when switching to new experiments.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI