Semi-Supervised Segmentation of Mitochondria from Electron Microscopy Images Using Spatial Continuity

要約

ミトコンドリアの形態は、その生理的機能の発現に重要な役割を果たしている。3D電子顕微鏡（EM）画像からのミトコンドリアの正確なセグメンテーションは、ナノメートルスケールでの形態の定量的な特徴付けに不可欠である。このタスクのために開発された完全教師ありディープラーニングモデルは優れたパフォーマンスを達成しますが、トレーニングのために相当量のアノテーションデータを必要とします。しかし、EM画像の手動アノテーションは、その大容量、限られたコントラスト、および低い信号対雑音比（SNR）のために、手間と時間がかかります。この課題を克服するために、我々は、ラベル付けされた画像とラベル付けされていない画像の両方におけるミトコンドリアの構造、形態、および文脈情報の空間的連続性を活用することによってミトコンドリアをセグメント化する半教師付き深層学習モデルを提案する。我々は、学習データの増強のために包括的かつ現実的なミトコンドリア形態を合成するためにランダムな区分的アフィン変換を使用する。EPFLデータセットでの実験では、我々のモデルは、最新の完全教師ありモデルと同程度の性能を達成するが、必要な学習データは、その注釈付き学習データの20%程度であることが示された。また，本研究で開発した半教師付きモデルは，EM画像から他の空間的に連続な構造物を正確に切り出すことができる．本研究のデータおよびコードは、https://github.com/cbmi-group/MPP で公開されています。

要約(オリジナル)

Morphology of mitochondria plays critical roles in mediating their physiological functions. Accurate segmentation of mitochondria from 3D electron microscopy (EM) images is essential to quantitative characterization of their morphology at the nanometer scale. Fully supervised deep learning models developed for this task achieve excellent performance but require substantial amounts of annotated data for training. However, manual annotation of EM images is laborious and time-consuming because of their large volumes, limited contrast, and low signal-to-noise ratios (SNRs). To overcome this challenge, we propose a semi-supervised deep learning model that segments mitochondria by leveraging the spatial continuity of their structural, morphological, and contextual information in both labeled and unlabeled images. We use random piecewise affine transformation to synthesize comprehensive and realistic mitochondrial morphology for augmentation of training data. Experiments on the EPFL dataset show that our model achieves performance similar as that of state-of-the-art fully supervised models but requires only ~20% of their annotated training data. Our semi-supervised model is versatile and can also accurately segment other spatially continuous structures from EM images. Data and code of this study are openly accessible at https://github.com/cbmi-group/MPP.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL