Point-supervised Single-cell Segmentation via Collaborative Knowledge Sharing

要約

タイトル：共同知識共有を用いたポイント指導単細胞セグメンテーション
要約：
-ディープラーニング方法は優れた性能を持っているが、大規模な注釈付きトレーニングデータが必要であるという欠点がある。
-この論文は、個々の細胞のラフな位置だけが利用可能な単細胞セグメンテーションモデルの弱い監督されたトレーニング設定に焦点を当てている。
-主流のモデルと軽量の共同作業者モデルの知識を共有する自己学習方法である共同知識共有が提案されている。
-この戦略は、主モデルが物体検出の観点からセグメンテーション問題にアプローチし、共同作業者モデルはセマンティックセグメンテーションの観点からアプローチしているため、完全に異なるアーキテクチャ、容量、およびモデル出力を持つ。
-LIVECell（明るい場合の単一細胞セグメンテーションの大規模データセット）とA431データセット（核カウンターテンデータから自動的に生成された位置ラベルを持つ蛍光画像データセット）で実験を行い、この戦略の有効性を評価した。
-実装コードは、https://github.com/jiyuuchc/lacss_jaxにある。

要約(オリジナル)

Despite their superior performance, deep-learning methods often suffer from the disadvantage of needing large-scale well-annotated training data. In response, recent literature has seen a proliferation of efforts aimed at reducing the annotation burden. This paper focuses on a weakly-supervised training setting for single-cell segmentation models, where the only available training label is the rough locations of individual cells. The specific problem is of practical interest due to the widely available nuclei counter-stain data in biomedical literature, from which the cell locations can be derived programmatically. Of more general interest is a proposed self-learning method called collaborative knowledge sharing, which is related to but distinct from the more well-known consistency learning methods. This strategy achieves self-learning by sharing knowledge between a principal model and a very light-weight collaborator model. Importantly, the two models are entirely different in their architectures, capacities, and model outputs: In our case, the principal model approaches the segmentation problem from an object-detection perspective, whereas the collaborator model a sematic segmentation perspective. We assessed the effectiveness of this strategy by conducting experiments on LIVECell, a large single-cell segmentation dataset of bright-field images, and on A431 dataset, a fluorescence image dataset in which the location labels are generated automatically from nuclei counter-stain data. Implementing code is available at https://github.com/jiyuuchc/lacss_jax

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI