COIN: Confidence Score-Guided Distillation for Annotation-Free Cell Segmentation

要約

細胞インスタンスセグメンテーション（CIS）は、組織病理学的画像の個々の細胞形態を特定するために重要であり、生物学的および医学的研究の貴重な洞察を提供します。
監視されていないCIS（UCIS）モデルは、労働集約型の画像注釈への依存度を低下させることを目的としていますが、セルの境界を正確にキャプチャすることができず、検出を見逃し、パフォーマンスの低下を引き起こします。
エラーのないインスタンスが存在しないことを重要な制限として認識して、コイン（信頼性スコアガイド付きインスタンス蒸留）、3つの重要なステップを備えた新しい注釈なしフレームワークを提示します。
洗練されたマスクと非常に自信のあるインスタンスを特定し、グラウンドトゥルースアノテーションに代わるものを提供し、（3）再帰的な自己抵抗との自信の漸進的な拡大を提供します。
6つのデータセットにわたる広範な実験では、既存のUCISメソッドを上回るコインが示されており、MonusegおよびTNBCデータセットのすべてのメトリックにわたって半監視されたアプローチを上回っています。
このコードは、https：//github.com/shjo-april/coinで入手できます。

要約(オリジナル)

Cell instance segmentation (CIS) is crucial for identifying individual cell morphologies in histopathological images, providing valuable insights for biological and medical research. While unsupervised CIS (UCIS) models aim to reduce the heavy reliance on labor-intensive image annotations, they fail to accurately capture cell boundaries, causing missed detections and poor performance. Recognizing the absence of error-free instances as a key limitation, we present COIN (COnfidence score-guided INstance distillation), a novel annotation-free framework with three key steps: (1) Increasing the sensitivity for the presence of error-free instances via unsupervised semantic segmentation with optimal transport, leveraging its ability to discriminate spatially minor instances, (2) Instance-level confidence scoring to measure the consistency between model prediction and refined mask and identify highly confident instances, offering an alternative to ground truth annotations, and (3) Progressive expansion of confidence with recursive self-distillation. Extensive experiments across six datasets show COIN outperforming existing UCIS methods, even surpassing semi- and weakly-supervised approaches across all metrics on the MoNuSeg and TNBC datasets. The code is available at https://github.com/shjo-april/COIN.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google