Boundary-aware Contrastive Learning for Semi-supervised Nuclei Instance Segmentation

要約

半教師ありセグメンテーション手法は、自然なシナリオで有望な結果が実証されており、手動アノテーションへの依存を減らすソリューションを提供します。
しかし、これらの方法は、核と組織間の微妙な色の違いや核間の形態学的ばらつきが大きいため、病理学的画像に直接適用すると大きな課題に直面します。
その結果、生成された擬似ラベルには、特に核境界に多くのノイズが含まれることがよくあります。
上記の問題に対処するために、本論文では、半教師あり核セグメンテーションタスクにおける境界ノイズを除去するための、境界を意識した対比学習ネットワークを提案する。
このモデルには、低解像度ノイズ除去 (LRD) モジュールとクロス RoI 対比学習 (CRC) モジュールという 2 つの主要な設計があります。
LRD は擬似ラベルのノイズ除去によって原子核境界の滑らかさを改善し、CRC は境界特徴の対比学習によって前景と背景の識別を強化します。
私たちは、既存の半教師ありインスタンスのセグメンテーション手法に対する提案手法の優位性を実証するために広範な実験を実施しました。

要約(オリジナル)

Semi-supervised segmentation methods have demonstrated promising results in natural scenarios, providing a solution to reduce dependency on manual annotation. However, these methods face significant challenges when directly applied to pathological images due to the subtle color differences between nuclei and tissues, as well as the significant morphological variations among nuclei. Consequently, the generated pseudo-labels often contain much noise, especially at the nuclei boundaries. To address the above problem, this paper proposes a boundary-aware contrastive learning network to denoise the boundary noise in a semi-supervised nuclei segmentation task. The model has two key designs: a low-resolution denoising (LRD) module and a cross-RoI contrastive learning (CRC) module. The LRD improves the smoothness of the nuclei boundary by pseudo-labels denoising, and the CRC enhances the discrimination between foreground and background by boundary feature contrastive learning. We conduct extensive experiments to demonstrate the superiority of our proposed method over existing semi-supervised instance segmentation methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google