DAWN: Domain-Adaptive Weakly Supervised Nuclei Segmentation via Cross-Task Interactions

要約

弱教師付きセグメンテーション手法は、モデル学習時にコストのかかるピクセルレベルの注釈への依存を減らすことができるため、大きな注目を集めている。しかし、現在の弱教師付き核セグメンテーション手法は、通常、2段階の擬似ラベル生成とネットワーク学習プロセスに従っている。核セグメンテーションの性能は、生成された擬似ラベルの品質に大きく依存するため、その効果は限定的である。本稿では、擬似ラベル生成の課題を克服するために、クロスタスク相互作用戦略を用いた、新しいドメイン適応型弱教師付き核分割フレームワークを紹介する。具体的には、セグメンテーションネットワークの領域適応を補助する補助検出タスクを訓練するために、弱い注釈付きデータを利用する。ドメイン適応の効率を高めるために、ソースドメインからの事前知識を統合する一貫した特徴制約モジュールを設計する。さらに、擬似ラベル最適化と対話的学習法を開発し、ドメイン転送能力を向上させる。提案手法の有効性を検証するため、6つのデータセットで大規模な比較実験とアブレーション実験を行った。その結果、既存の弱教師付きアプローチに対する我々のアプローチの優位性が実証された。驚くべきことに、我々の手法は完全教師あり手法と同等かそれ以上の性能を達成している。我々のコードはhttps://github.com/zhangye-zoe/DAWN。

要約(オリジナル)

Weakly supervised segmentation methods have gained significant attention due to their ability to reduce the reliance on costly pixel-level annotations during model training. However, the current weakly supervised nuclei segmentation approaches typically follow a two-stage pseudo-label generation and network training process. The performance of the nuclei segmentation heavily relies on the quality of the generated pseudo-labels, thereby limiting its effectiveness. This paper introduces a novel domain-adaptive weakly supervised nuclei segmentation framework using cross-task interaction strategies to overcome the challenge of pseudo-label generation. Specifically, we utilize weakly annotated data to train an auxiliary detection task, which assists the domain adaptation of the segmentation network. To enhance the efficiency of domain adaptation, we design a consistent feature constraint module integrating prior knowledge from the source domain. Furthermore, we develop pseudo-label optimization and interactive training methods to improve the domain transfer capability. To validate the effectiveness of our proposed method, we conduct extensive comparative and ablation experiments on six datasets. The results demonstrate the superiority of our approach over existing weakly supervised approaches. Remarkably, our method achieves comparable or even better performance than fully supervised methods. Our code will be released in https://github.com/zhangye-zoe/DAWN.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL