Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement Learning

要約

既存の教師ありニューロン セグメンテーション手法のパフォーマンスは、特に大規模な電子顕微鏡 (EM) データに適用される場合、正確なアノテーションの数に大きく依存します。
ラベルのないデータからセマンティック情報を抽出することで、自己教師あり手法は下流タスクのパフォーマンスを向上させることができます。その中で、マスク イメージ モデル (MIM) は、マスクされたイメージから元の情報を復元する際の単純さと有効性により広く使用されています。
ただし、EM 画像には高度な構造局所性があり、かなりのノイズが存在するため、多くのボクセルには識別情報がほとんど含まれていないため、ニューロン セグメンテーション タスクにおける MIM 事前トレーニングは非効率的になります。
この課題を克服するために、強化学習 (RL) を利用して最適な画像マスキング率とマスキング戦略を自動的に検索する意思決定ベースの MIM を提案します。
探索空間が広大であるため、ボクセル予測にシングル エージェント RL を使用するのは非現実的です。
したがって、各入力パッチを共有動作ポリシーを持つエージェントとして扱い、マルチエージェントのコラボレーションを可能にします。
さらに、このマルチエージェント モデルはボクセル間の依存関係をキャプチャできるため、下流のセグメンテーション タスクにとって有益です。
代表的な EM データセットに対して行われた実験は、ニューロンのセグメンテーションのタスクに関して、私たちのアプローチが他の自己教師あり手法よりも大きな利点があることを示しています。
コードは \url{https://github.com/ydchen0806/dbMiM} で入手できます。

要約(オリジナル)

The performance of existing supervised neuron segmentation methods is highly dependent on the number of accurate annotations, especially when applied to large scale electron microscopy (EM) data. By extracting semantic information from unlabeled data, self-supervised methods can improve the performance of downstream tasks, among which the mask image model (MIM) has been widely used due to its simplicity and effectiveness in recovering original information from masked images. However, due to the high degree of structural locality in EM images, as well as the existence of considerable noise, many voxels contain little discriminative information, making MIM pretraining inefficient on the neuron segmentation task. To overcome this challenge, we propose a decision-based MIM that utilizes reinforcement learning (RL) to automatically search for optimal image masking ratio and masking strategy. Due to the vast exploration space, using single-agent RL for voxel prediction is impractical. Therefore, we treat each input patch as an agent with a shared behavior policy, allowing for multi-agent collaboration. Furthermore, this multi-agent model can capture dependencies between voxels, which is beneficial for the downstream segmentation task. Experiments conducted on representative EM datasets demonstrate that our approach has a significant advantage over alternative self-supervised methods on the task of neuron segmentation. Code is available at \url{https://github.com/ydchen0806/dbMiM}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google