Entropy Bootstrapping for Weakly Supervised Nuclei Detection

要約

細胞や核の検出などの顕微鏡構造のセグメンテーションでは、通常、人間が各インスタンスの周囲にグラウンド トゥルースの輪郭を描く必要があります。
弱く監視されたアプローチ (たとえば、単一点ラベルのみで構成される) は、この作業負荷を大幅に軽減する可能性があります。
私たちのアプローチでは、エントロピー推定に個々のポイント ラベルを使用して、セル ピクセルの基礎となる分布を近似します。
この分布からフル セル マスクを推測し、Mask-RCNN を使用してインスタンス セグメンテーション出力を生成します。
この点、つまり注釈付きのアプローチと完全なグラウンド トゥルース マスクのトレーニングを比較します。
ピクセル ラベルが 95% 削減されたにもかかわらず、この方法が比較的良好なレベルのパフォーマンスを達成していることを示します。

要約(オリジナル)

Microscopy structure segmentation, such as detecting cells or nuclei, generally requires a human to draw a ground truth contour around each instance. Weakly supervised approaches (e.g. consisting of only single point labels) have the potential to reduce this workload significantly. Our approach uses individual point labels for an entropy estimation to approximate an underlying distribution of cell pixels. We infer full cell masks from this distribution, and use Mask-RCNN to produce an instance segmentation output. We compare this point–annotated approach with training on the full ground truth masks. We show that our method achieves a comparatively good level of performance, despite a 95% reduction in pixel labels.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google